Why Would You Ask Me about Engineering Culture and Belonging? Introducing Social Science Prompts into Engineering Surveys
Notice bibliographique
Résumé
What happens when researchers introduce socially theorized concepts like "culture" into engineering surveys as data generation prompts?While it is common for us to use social science theories to frame our analyses, it is less common for us to ask engineering students and practitioners to make sense of them through electronically administered surveys.In this paper, we examine 1198 open-ended responses to two items on a Canadian engineering career path survey: Q65: What aspects of engineering culture make you feel like you belong? and Q66: What aspects of engineering culture cause you to question your belonging?In addition to identifying specific factors that enhanced and constrained participants' sense of belonging in the profession, we observed three distinct ways of responding to our culture prompt: engage (14%), ignore (54%), and backlash (8%).When we disaggregated these findings by an intersectional gender/race category, we found that white men were overrepresented in "backlash" responses (11%), racialized 1 men and women (76% RM, 71% RW) were overrepresented in the "ignore" responses, and racialized and white women (23% RW, 20% WW) were overrepresented in the "engage" responses.We use these findings to generate a justice-based argument for including social science prompts in engineering education research.Our position contrasts with positivist norms about minimizing response bias. [1][2]2][3][4] When we minimize the ambiguity of survey prompts, we adopt a standard set by the white, male majority, leaving dominant ideology intact.In contrast, when we integrate social science concepts into our survey, we provide an opening for the "subaltern" to speak. 5
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 | 0,002 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».