Experimenting with Diffractive Analysis Practices While Walking-with River: Audiowalking and Micromapping
Notice bibliographique
Résumé
Abstract This paper shares how a river-walking project in early childhood education created and experimented with two practices diffractively as an effort to do research differently. The year-long study, situated in Western Australia, explored river-child relations while walking with Derbarl Yerrigan/Swan River and was interested in decentring the human and attuning to more-than-human relations through situated practices. Using a feminist environmental framework this project took a non-representational approach to analysing data through two intra-related diffractive concepts: re-turning and re-membering. These concepts grounded the two practices, audiowalking and micromapping, and helped to shape the various forms of experimentation for a diffractive approach to analysis. Audiowalking is a practice that involved creating narrated audio recordings while walking with an intention of layering data from the present with pasts and futures. Micromapping is an embodied and performative practice that reimagined and unsettled place and space through mapping emotional encounters, river relations and the more-than-human. This paper shows how environmental education researchers, particularly those conducting place-based research, can approach research analysis diffractively to disrupt colonial ways of knowing, being and doing research through two practices that take a non-linear conceptualisation of time, embody data and research with worlds.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».