Why are graduate students' note-taking practices noteworthy?
Notice bibliographique
Résumé
Although note-taking is generally seen as vital to students’ academic success, students are normally left to find their own way in mastering note-taking (Blair, 2004; Coullie, 2020; Lessa et al., 2022), particularly within graduate studies (Fine et al., 2021; Wohl & Fine, 2017b). Most of the literature discussing note-taking centres on undergraduates and classroom listening contexts (Fine et al., 2021). However, there is need to investigate graduate note-taking practices from reading away from the classroom, as assumptions and expectations that all students entering graduate studies are/should be proficient in graduate-level reading is unrealistic (Liu & Pullinger, 2021) and unreasonable (Reid, 2018; Wohl & Fine, 2017b), particularly considering the diverse cultural and linguistic backgrounds typifying graduate student enrolment across North American universities. This textographic study explores and analyzes the note-taking practices of a small sample of graduate students enrolled in an Atlantic Canada university, drawing from Academic Literacies theory, particularly Lillis’ (2008) notions of how people’s “talk around text” index or point to the wider social context and people’s orientation (beliefs/values/attitudes) to their textual practices. While each student developed note-taking strategies that helped them to cope with the large volumes of readings, and the depth of critical reading required, an individual unfamiliar with Western academic writing norms can be at a distinct disadvantage in avoiding charges of plagiarism. While the literature on note-taking privileges generative note-taking strategies, there is greater need for appreciation for how non-generative note-taking strategies are efficacious for some students. In addition, while this study resists seeing students’ note-taking practices in deficit terms, instead presenting the students’ own assessments of their note-taking practices, a case is being made for further developing students’ reading proficiencies through explicit instruction in note-taking.
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 | 0,004 | 0,044 |
| 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 | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».