My Literacy Adventure with People, AI, and a Piglet
Notice bibliographique
Résumé
This work is a "multiliteracy narrative," describing my history of literacy development from four perspectives: Japanese, English, digital literacy, and global citizenship. The main focus of this paper is how I overcame the challenge of acquiring high language skills through interaction with the people around me. Also, I explore how literacy skills can empower me to survive in today’s world. Firstly, this narrative starts with my literacy development in my native language (Japanese), which began at a young age when my parents started reading me a book. As I entered elementary school, my love for reading deepened. Even though I struggled to write compositions, a dedicated teacher encouraged me to overcome this challenge. Secondly, I explain how I developed an interest in English. I enjoyed having a chitchat with a teacher from Canada in my elementary school. My English teacher in high school guided me through academic reading and writing. I had a pivotal moment when another teacher reminded me of the true purpose of learning English. In addition, I share how guidance from my parents about online communication and the importance of empathy became the foundation of my digital literacy. At the same time, I introduce a lesson from my history teacher, which convinced me why information literacy is crucial in the digitalized world. Finally, I analyze the two definitions of global citizenship. I discuss how these literacy skills enable me to understand the interconnectedness of the world, which is an essential quality of a global citizen.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,012 | 0,007 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,004 |
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.
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 ».