Toni Morrison’s Beloved: Plantations, Pedagogy and the Future of Digital Slavery
Notice bibliographique
Résumé
For scholars who study the history of slavery in the United States, the claim that slave plantations functioned like schools is controversial but hardly original. However, it can be challenging to find a similar level of interest, inquiry, or evidence to corroborate this claim in the scholarship and textbooks of many contemporary historians in the field of education. As such, the pedagogical effects of slavery are often underrepresented and the slave plantation as a formal and informal pedagogical space is undertheorized. Understanding the various institutions and environments that contribute to the development of teaching and learning remains important, particularly for those who write, study, or teach the history of American education and those who use digital platforms or cloud-based learning management systems such as Google Classroom. To encourage a more interdisciplinary approach to the history of education in the United States and elsewhere, some historians have recommended the novels and musings of writers such as Toni Morrison. This study uses a semiotic approach to reveal what one can learn when Morrison’s Beloved is revisited and mapped to illuminate its theoretical and pedagogical import for interdisciplinary scholars and practitioners in many fields, particularly education. As the slave master and pedagogue on the Sweet Home slave plantation, the character Schoolteacher develops a pedagogy for his pupil-nephews and pupil-slaves that is not too distant from the data extraction protocols used by many internet corporations and the academic systems that employ their digital services and infrastructure to facilitate and measure teaching and learning. The findings suggest that Morrison’s novel is an interdisciplinary tool that enriches one’s understanding of American literature and history while illuminating data extraction as a colonial and pedagogical imperative that informs slavery in the past and education in the digital future.
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 | 0,002 | 0,005 |
| 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 | 0,011 | 0,023 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».