MétaCan
Menu
Retour à la cohorte
Enregistrement W4309287295 · doi:10.3390/informatics9040093

Can Citizenship Education Benefit Computing?

2022· article· en· W4309287295 sur OpenAlexaff
Randy Connolly

Notice bibliographique

RevueInformatics · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media and Politics
Établissements canadiensMount Royal University
Organismes subventionnairesnon disponible
Mots-clésCitizenshipScholarshipPoliticsEngineering ethicsSociologySocial justiceDutyPolitical sciencePublic relationsSocial scienceLaw

Résumé

récupéré en direct d'OpenAlex

A recurring motif in recent scholarship in the computing ethics and society studies (CESS) subfield within computing have been the calls for a wider recognition of the social and political nature of computing work. These calls have highlighted the limitations of an ethics-only approach to covering social and political topics such as bias, fairness, equality, and justice within computing curricula. However, given the technically focused background of most computing educators, it is not necessarily clear how political topics should best be addressed in computing courses. This paper proposes that one helpful way to do so is via the well-established pedagogy of citizenship education, and as such it endeavors to introduce the discourse of citizenship education to an audience of computing educators. In particular, the change within citizenship education away from its early focus on personal responsibility and duty to its current twin focus on engendering civic participation in one’s community along with catalyzing critical attitudes to the realities of today’s social, political, and technical worlds, is especially relevant to computing educators in light of computing’s new-found interest in the political education of its students. Related work in digital literacy education is also discussed.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,078

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,019
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,018
Communication savante0,0130,017
Science ouverte0,0010,008
Intégrité de la recherche0,0070,007
Charge utile insuffisante (le modèle a refusé de juger)0,0230,003

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,024
Tête enseignante GPT0,315
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInformaticsMême sujetSocial Media and PoliticsTravaux en français237 207