Barriers and beliefs: a comparative case study of how university educators understand the datafication of higher education systems
Notice bibliographique
Résumé
In recent decades, higher education institutions around the world have come to depend on complex digital infrastructures. In addition to registration, financial, and other operations platforms, digital classroom tools with built-in learning analytics capacities underpin many course delivery options. Taken together, these intersecting digital systems collect vast amounts of data from students, staff, and faculty. Educators' work environments-and knowledge about their work environments-have been shifted by this rise in pervasive datafication. In this paper, we overview the ways faculty in a variety of institutional status positions and geographic locales understand this shift and make sense of the datafied infrastructures of their institutions. We present findings from a comparative case study (CCS) of university educators in six countries, examining participants' knowledge, practices, experiences, and perspectives in relation to datafication, while tracing patterns across contexts. We draw on individual, systemic, and historical axes of comparison to demonstrate that in spite of structural barriers to educator data literacy, professionals teaching in higher education do have strong and informed ethical and pedagogical perspectives on datafication that warrant greater attention. Our study suggests a distinction between the understandings educators have of data processes, or technical specifics of datafication on campuses, and their understanding of big picture data paradigms and ethical implications. Educators were found to be far more knowledgeable and comfortable in paradigm discussions than they were in process ones, partly due to structural barriers that limit their involvement at the process level.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».