MétaCan
Menu
Retour à la cohorte
Enregistrement W4416012655 · doi:10.31468/dwr.1183

Review of Angela Laflen’s Critical Data Storytelling in the Composition Classroom

2025· article· en· W4416012655 sur OpenAlexaffvenue
Kathy Block

Notice bibliographique

RevueDiscourse and Writing/Rédactologie · 2025
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueHermeneutics and Narrative Identity
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésStorytellingComposition (language)Component (thermodynamics)Reflection (computer programming)

Résumé

récupéré en direct d'OpenAlex

Increasingly, we understand and navigate the world via dataCied ways of knowing.Online activities are transformed into big data, which is presented back to us in stories and arguments.In this process, data shapes our thinking.This is the starting point for Angela LaClen (2025) in her book Critical Data Storytelling in the Composition Classroom (Utah State University Press).Through our online activities, we are building a stock of "previously unimaginable quantities of data" (p.187) that is tracked and analyzed, that is used to tell stories and build arguments, and that stokes AI.LaClen contends that the use of data, especially numerical data presented in visual formats, is a powerful form of multimodality and that the development of critical data literacy skills should be a priority for instructors in multimodal writing classes.In Critical Data Storytelling, LaClen's concern, then, is not whether professors should allow students to use generative AI in the writing process (a frequent focus of discussion) but on the development of students' critical data literacy skills, given the ubiquity of data and dataCied arguments.Her central point is that writing instructors should prioritize critical data literacy, creating a bridge between academic skills and the everyday skills students need to move critically through dataCied environments.To support instructors who are beginning the journey, she provides sample writing assignments throughout the book and a chapter focused on assessment.For me (a writing instructor grounded in traditional academic literacies), LaClen's book provides a good stretch, showing how to centre the data literacy skills that instructors and students urgently need in a world permeated with mis-and disinformation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,025
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,025
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0060,008
Études des sciences et des technologies0,0020,004
Communication savante0,0070,005
Science ouverte0,0020,003
Intégrité de la recherche0,0040,006
Charge utile insuffisante (le modèle a refusé de juger)0,0070,004

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 Opus0,192
Tête enseignante GPT0,437
Écart entre enseignants0,245 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

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

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDiscourse and Writing/RédactologieMême sujetHermeneutics and Narrative IdentityTravaux en français237 207