Decolonization of Digital Learning Spaces: It’s Not About Knowing More but Knowing Better
Notice bibliographique
Résumé
Working alongside members of communities who are remote and/or marginalized from the dominant socio-economic powers, the long-term goal of the Decolonisation of Digital Learning Spaces project is to empower communities in choosing, adopting, developing, and/or appropriating culturally appropriate and sustainable digital learning technologies. Before we can co-envision useful options, however, we must first know what questions to ask and how to ask. It is necessary, therefore, to find appropriate, efficient, and innovative approaches to better understand community needs and values. This paper describes the preliminary planning of the research project in creating an international network of community members, activists, and researchers, and in identifying and testing methods for eliciting needs, values, and ways of understanding the world. Selected methods must allow the researchers to step outside their own pre-conceived understandings to avoid dominating or imposing meaning upon the participants’ understandings. In this presentation, we describe: a) the goals and concerns that were the impetus for the project, b) the nascent network, c) potential knowledge elicitation methods, and d) the repeated single-criterion card sort method as the first method that will be piloted. This deceptively simple method allows research participants to use their own words to express their conceptualizations thereby reducing the influence of the researcher upon participants’ mental model and values.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,028 |
| Communication savante | 0,010 | 0,017 |
| Science ouverte | 0,002 | 0,020 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».