MétaCan
Menu
Retour à la cohorte
Enregistrement W4404531824 · doi:10.1093/jdsade/enae050

Applied deaf aesthetics toward transforming deaf higher education

2024· article· en· W4404531824 sur OpenAlexafffund
Joanne Weber, Denyse V. Hayward, Michael E. Skyer, Sarah Snively

Notice bibliographique

RevueThe Journal of Deaf Studies and Deaf Education · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueHearing Impairment and Communication
Établissements canadiensUniversity of Alberta
Organismes subventionnairesGovernment of CanadaNorth Carolina State UniversityUniversity of AlbertaU.S. Department of Justice
Mots-clésDeaf educationCurriculumPsychologyProcess (computing)PedagogyDeaf cultureMathematics educationAestheticsSign languageComputer scienceLinguisticsArt

Résumé

récupéré en direct d'OpenAlex

Deaf aesthetics is a theoretical framework we actualized to enhance interactions in deaf education, particularly via multimodal pedagogy and curricular experiences. Prior research illustrates that deaf aesthetics are desired by deaf teachers and students who are deaf; however, most instructional-delivery formats lack these supports. The present mixed-methodology, multi-method case study is an empirical evaluation of how deaf aesthetics contributed to the process of redesigning a course, including major revisions to instructional slide decks (e.g., PowerPoint, Google Slides, Prezi). The research question we examined is: How can instructional designers and university educators effectively design and use deaf aesthetics and multimodal curricula and pedagogies to prompt and sustain educational interactions with deaf or deafblind learners and teachers?

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,788
Score d'incertitude au seuil0,484

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,391
Écart entre enseignants0,324 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Journal of Deaf Studies and Deaf EducationMême sujetHearing Impairment and CommunicationTravaux en français237 207