‘Hands Off’ Learning: The Artifice of Educating in an Algorithmic Age
Notice bibliographique
Résumé
Despite dire warnings over AI harms, higher education has chosen complicity over resistance to the algorithmic turn. In this position paper, we argue that this reflects an increasing dependence on automated, screen-biased, information-centric schemes of curriculum, instruction, and assessment that prioritise educational products over learning in practice. In contrast with practice-based hands-on learning, today’s definitively hands-off schemes of educating have all but erased physically embodied, sensory, and authentically situated modalities of learning that are inconvenient for fast credentialing. Far from ‘innovating’ education, as AI proponents claim, the algorithmic turn has made public education more vulnerable to corporate capture. Drawing on transdisciplinary perspectives on technology, teaching, learning, and assessment, this paper extends our earlier explorations of critical algorithmic literacies to consider the ‘artifice’ of educating in an algorithmic age. Accordingly, this is not a paper about AI, or a comprehensive review of the current literature, but a critical analysis of the structural, ideological, and pedagogical compatibilities that underwrite fast credentialing. We conclude with a call for a greater emphasis on hands-on and practice-based approaches to learning, instruction, and assessment that talk back to the pseudo-pedagogical conceits of algorithmic and institutional artifice alike.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,001 |
| 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 ».