Critical arts-based research and knowledge translation: impacts of artificial-intelligence on equality
Notice bibliographique
Résumé
This theoretical paper explores the role of critical visual literacy in arts-based research methodologies and knowledge translation, emphasizing relevance in addressing issues of equity and societal impact. Arts-based engagements—including those intended to empower communities—emerge as potentially bringing inadvertent risks given existing evidence base on critical visual literacy. A review of literature identifies an operational definition of principles related to (1) safeguarding marginalized groups; (2) acknowledging diverse interpretation amidst dominant narratives and rule-making by mass-producers of visual media; and (3) analyzing political or other social norms embedded within imagery to prioritize community consent. In response, AI image-generation may support the fostering and application of critical visual literacy in academic settings if the digital divide and historic dataset of visual grammar can be addressed. Under the context of critical visual literacy and participatory engagement, a preliminary framework of machine learning is conceptualized. Integration may offer significant shifts in visual content creation towards critique, with increased capacity for larger-scale production potentially offering opportunities for disseminating new, community-based perspectives on visual grammar. Implications related to co-revision and dignifying the emotional attachment towards art and its critical evaluation conclude the paper.
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 | 0,060 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,106 |
| Communication savante | 0,020 | 0,027 |
| Science ouverte | 0,002 | 0,021 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».