Instructional Influencers: Teaching Professors as Potential Departmental Change Agents in Diversity, Equity, and Inclusion
Notice bibliographique
Résumé
At many research-intensive universities in North America, there is a disproportionate loss of minoritized undergraduate students from Science, Technology, Engineering, and Mathematics (STEM) majors. Efforts to confront this diversity, equity, and inclusion (DEI) challenge, such as faculty adoption of evidenced-based instructional approaches that promote student success, have been slow. Instructional and pedagogical change efforts at the academic department level have been demonstrated to be effective at enacting reform. One potential strategy is to embed change agent individuals within STEM departments that can drive change efforts. This study seeks to assess whether tenure-track, teaching-focused faculty housed in STEM departments are perceived as influential on the instructional and pedagogical domains of their colleagues. To answer this, individuals across five STEM departments at large, research-intensive campuses identified faculty who were influential upon six domains of their instruction and pedagogy. Social network analysis of individuals in these departments revealed heterogeneity across the instructional domains. Some, like the teaching strategies network, are highly connected and involve the majority of the department; while others, like the DEI influence network, comprise a significantly smaller population of faculty. Importantly, we demonstrate that tenure-track, teaching-focused faculty are influential across all domains of instruction, but are disproportionately so in the sparsely populated DEI influence networks.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,007 |
| 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 ».