A Case Study on the Value of Humanities-Based Analysis, Modes of Presentation, and Study Designs for SoTL: Close Reading Students’ Pre-Surveys on Gender-Inclusive Language
Notice bibliographique
Résumé
Close reading has long been heralded as a humanities-specific methodology with significant potential for SoTL. This essay fills a gap in SoTL literature with a full case study demonstrating what, exactly, close reading shows us about our data that social science-based quantitative and qualitative analyses may not. Close reading-based analysis of first-year writing students’ pre-surveys on gender-inclusive language entails attention to the interrelated form and content of students’ self-reflections. This analysis reveals nuances and complexities that, if overlooked, would result in inadvertent misrepresentation of the data. This case study responds not only to calls for humanities-specific SoTL methodologies but also to related calls for greater legitimation of diverse forms for SoTL dissemination, some of which originate in the humanities. It is therefore cast as a reflective essay based on its author’s scholarly personal narrative (SPN) as a new, humanities-based SoTL researcher. Finally, this case study demonstrates the value of flexible, deliberately unscientific study designs that are responsive to emergent conditions but foreign to SoTL’s dominant social science paradigm. As guides to instruction, pre-surveys are necessary complements to pre-quizzes: learning what students think they know about a concept or skill, their attitudes towards it, and their contexts of prior learning about it—not just their knowledge of it, which is all pre-quizzes can tell us—is an important precursor to effective instruction. But maximizing pre-surveys’ potential to guide instruction requires flexible study designs so we can change our pedagogy, including our study’s “intervention,” if necessary, on the fly.
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 | 0,085 | 0,129 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,017 | 0,018 |
| Communication savante | 0,012 | 0,014 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,006 | 0,008 |
| 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 ».