Writing to learn: creative LD perspectives for Learning Developers and students
Notice bibliographique
Résumé
Academic writing is a contested area, even more so in times of large language models and artificial intelligence (AI). This writing is tricky to navigate and master especially for newcomers – staff and students. Learning Developers almost uniquely play with writing as a practice of emergence and discovery. Academic writing is a process: we write to become academic. Students write to join their epistemic communities, and Learning Developers write to give birth to an emergent field. Drawing on recent work by Syska and Buckley (2022) and Abegglen, Burns and Sinfield (2022; 2023), we argue that academic writing is an initiation into and participation in wider professional and academic discourses. We ‘write to learn’ rather than ‘learn to write’. In our practice with students, we know that we need to move beyond the ‘mechanics’ of writing and make the process meaningful, engaging, interactive, and fun. Similarly, Syska and Buckley (2022) have explored what makes Learning Developers ‘tick’ with respect to academic writing – revealing how, counterintuitively perhaps, academic writing can become an inclusive Learning Development space: our ‘happy place’. With this presentation, we opened the discussion on academic writing for building the Learning Development community.
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 | 0,034 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,035 | 0,089 |
| Communication savante | 0,050 | 0,034 |
| Science ouverte | 0,005 | 0,036 |
| Intégrité de la recherche | 0,012 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».