Reading Across the Curriculum: Using the Fiction of the Indian Subcontinent in Social Science Classes
Notice bibliographique
Résumé
T here is a publishing boom in fiction by authors from the Indian subcontinent.Indian, Pakistani, Sri Lankan, and Bangladeshi authors are being discovered almost daily.The literature from India is several thousand years old.However, following the notoriety of Salman Rushdie, the meteoric success of Arundhati Roy's novel The God of Small Things, and the Oscar-winning screen adaptation of Michael Ondaatje's The English Patient, it is almost impossible to open the New York Times Book Review without reading of another new highly-praised novelist from the region.Most of these authors write in English.Many are expatriates, living in Canada, England or the United States.These novels, with the variety of experiences described, in settings that are exotic and often unknown to the average high school or college student, are ideal for a Reading Across the Curriculum assignment in the social sciences.In the assignments, each student reads a work of fiction from an approved bibliography and writes a book review that applies the sociological, political, historical, and/or economic concepts that have been covered in class to the contents of the novel.Often the student is also required to research the cultural, ethnic, or national milieu in which the novel is written. Special Section on Teaching Indic Traditions
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,022 | 0,014 |
| Communication savante | 0,017 | 0,005 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».