The Dynamics of Inferential Interpretation in Experiential Learning: Deciphering Hidden Goals from Ambiguous Experience
Notice bibliographique
Résumé
According to the Carnegie School tradition of experiential learning, learning processes are driven by interpretations of experience relative to an observable goal. While prior research has considered how ambiguity may complicate interpretation, it has seldom considered how ambiguous experience emanating from the enactment of hidden goals may complicate the interpretive process. Drawing on a 13-month inductive study of CryptoTradingGroup (CTG), a distributed financial organization, and its interactions with MajorCryptoCommunity (MCC), a cryptocurrency investment community, we examine how actors engage in effective interpretation and learning when they face hidden goals and ambiguous experience. We examine how perpetrators in CTG plotted a hidden market manipulation goal in a backstage secret chatroom while simultaneously targeting MCC with invalid information enacted in the frontstage. Our analysis unpacks the dynamics of how MCC deciphered the hidden market manipulation goal and stopped the fraud through a process that we label inferential interpretation. In shifting away from a model of effective learning with statistical inference, in which interpretation is rarely examined, inferential interpretation shows how heterogeneous actors construct understandings from cues embedded in ambiguous experience during the learning process. Our study makes interpretation, i.e., the construction of meaning, central to conceptions of experiential learning when reality, causality, and intentionality are obscured.
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 | 0,009 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,036 |
| Communication savante | 0,009 | 0,019 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,006 |
| 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 ».