Shove Less, Nudge More: Stakeholders’ Perspective from Writing Classrooms
Notice bibliographique
Résumé
Academic writing courses are critical in higher education. However, they often rely on directive measures, or "shoves," that impose rigid guidelines, high-stakes assessments, and punitive consequences. These approaches, such as inflexible deadlines and harsh grading penalties, can increase student anxiety, disengagement, and surface learning. As a result, some students resort to unethical strategies, such as using essay mills or AI-generated content. This qualitative study, conducted through interviews with 20 writing professors and 30 students, identified several common shoves in academic writing courses and explored their negative impacts on student engagement and academic integrity. The findings highlight critical areas of concern, including strict rubrics, high-stakes deadlines, standardized feedback, and plagiarism threats. In response, the study proposes a shift from punitive shoves to supportive nudges, categorizing the latter into intuitive and didactic interventions. These nudges, such as automated deadline reminders, scaffolded assignments, and ethical AI usage prompts, aim to foster more positive student behavior and engagement. The next phase of this research will investigate how these behavioral nudges influence learning outcomes and student well-being.
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 | 0,016 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,020 | 0,017 |
| Communication savante | 0,014 | 0,011 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,006 | 0,009 |
| 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; 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 ».