Adapting a Research Tool for Teaching in a Post-Pandemic World
Notice bibliographique
Résumé
The pandemic resulted in significant advances in critical digital pedagogy, including the adaptation of existing technologies as teaching tools. This paper discusses adapting a tool intended for advanced research (Robinson 2023) as a teaching environment. We assess the advantages of this implementation, allowing instructors to pivot from in-person to online learning, as well as the characteristics of evaluation and grading. Urged by the calls of critical digital pedagogy (Stommel, Friend, and Morris 2020) in our paleography course, we took advantage of the potential of digital technologies as the ideal means to promote student autonomy. Such technologies provide a toolkit for students to navigate the learning process independently. This idea is further echoed by Cathy N. Davidson's suggestion to structure a “student-centered class” that utilizes technology to the extent desired by instructors while allowing them to maintain control. This entails empowering students to take an active role regarding their pedagogical needs while fostering a dynamic learning environment which is both flexible and effective (Davidson 2020, n.p.). The spectre of the pandemic and the familiarity of the system within our teaching team made Textual Communities an ideal tool if we could flip its focus from its intended final product, an edition– to one of its initial components –the transcription. Its advantages as a potential distance learning tool and its benefits for correcting and grading are unquestionable. Looking forward, we recommend educators consider similar adaptations of digital tools in their curriculum, keeping in mind that these tools do not overshadow the pedagogical goals but rather enhance and complement them.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».