The Art of Jamming: Fast, Collaborative - and Possibly Transformative Action
Notice bibliographique
Résumé
Jams - fast-paced, short-duration events - rooted in the improvisational spirit of jazz - have evolved into collaborative problem-solving arenas where diverse participants converge to tackle complex challenges with urgency. Some embrace their energy and immediacy, while others question their depth and sustainability, especially given the increasing need for slow moments in academia. We present two case studies from distinct geographical and disciplinary contexts: one from a UK Postgraduate Certificate (PGCert) program in Learning and Teaching in Higher Education (LTHE) and the other from a Design Masters course in Canada. We discuss the PGCert, illustrating how we act at speed in the classroom, creating many collaborative learning tasks delivered over a short, intense period of time: a series of fast-paced jams - where the reflection in and on action feeds into dialogic interaction and metareflection - and deep learning for the participants. In our Canadian example, the juxtaposition of a School of Architecture and Design with the city’s homeless served as a catalyst for asking critical questions about the School’s role in addressing social challenges. In Spring 2024, the School hosted a two-day Design Sprint involving 100 participants, including students, educators, municipal decision-makers, and frontline workers, to tackle the issue of homelessness in a short, powerful and influential period of time. This viewpoint article outlines what activities like this afford for education as well as the wider educational and social communities. We conclude with a provocation: is there a better way of naming and celebrating the power and potential of the jamming space in academia?
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».