Cultivating a Continuous “I Don’t Know”: Four Supervisory Mentoring Practices that Support Online Doctoral Students’ Academic Writing
Notice bibliographique
Résumé
<title>Abstract</title> Academic writing in both face-to-face and online environments is often a challenging experience for many faculty and students and can be fraught with tension and emotion. Thus, the quality of doctoral students’ online academic writing experiences can be a difference maker in successful completion of programs. Building on our earlier work identifying five enabling factors of successful online doctoral supervision, this study explores practices that enable factor five: Cultivating a collaborative online community of support for academic writing. Using a comparative case study approach, we analyzed the data from interviews with five recently completed doctoral graduates to determine the mentoring practices that cultivated for them, effective online doctoral student academic writing relationships. Findings identified four supervisory practices: (a) engaging in regularly scheduled meetings with iterative cycles of mentoring and scaffolding; (b) engaging students in a trusting, supportive community of practice; (c) using coursework and program structures as a springboard for writing; and (d) providing diverse models of academic writing. Central to the effectiveness of these practices was the notion of trust. Most of the doctoral students trusted their supervisor to engage in the four practices to support them. Through the provision of timely and thoughtful feedback and feedforward strategies from their community, doctoral students were able to develop their academic writing as a tool for communication, as a tool for thinking and creating new knowledge, and for developing their academic identities.
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 | 0,010 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».