Personal, Institutional, and Societal Barriers to Educators’ Engagement with Datafication on Campus
Notice bibliographique
Résumé
Datafied digital systems have permeated higher education over the past decade. Registration, grading, financial operations, alumni communications, and often teaching take place through digital platforms that extract and collate data, about students as well as faculty and staff. At the level of these data system processes, academics may not have the knowledge or practices to fully grasp the shift in their workplace that datafication represents. However, our research suggests that educators do understand the paradigm shift that datafication represents and have strong beliefs about how institutions should proceed to protect students and academia itself. Our team conducted an in-depth Comparative Case Study (CCS) investigation of how university educators make sense of the datafied infrastructures in and on which they work. This presentation overviews the knowledge, practices, experiences, and perspectives of educators in various institutional status positions from six different countries, in relation to datafied digital tools. We will focus particularly on the barriers that participants articulated to their own engagement with data, at personal, institutional, and societal levels. We will frame ways barriers are reinforced by institutional approaches to datafication, overview participants’ concerns, and explore how datafication has altered faculty’s power position as knowers within the academy.
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 | 0,022 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,016 | 0,014 |
| Communication savante | 0,018 | 0,009 |
| Science ouverte | 0,002 | 0,016 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».