Review of Angela Laflen’s Critical Data Storytelling in the Composition Classroom
Notice bibliographique
Résumé
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 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 | 0,001 | 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 ».