What do we mean by 'gender' and how should it be addressed? Exploring the inclusion of gender in a teacher education curriculum
Bibliographic record
Abstract
Dans l'éducation, 'le genre' est systématiquement mobilisé comme un corps de connaissance 'de sens commun' qui peut être librement invoquée. Ce projet appelle de telles pratiques de connaissance comme les objets de privilège 'gender-normative' et lie la connaissance 'comment faire' par rapport au genre transmise par les programmes d'éducation d'enseignant (TEP) à la normalisation de genre dans les écoles. Cette étude transformationnelle de méthodes mélangées de 'contenu du genre' dans le programme d'études du TEP à l'Université McGill a incorporé analyses tant quantitatives que qualitatives de données cueillies de tous les plans de cours disponibles entre 2001 et 2008. Les conclusions ont inclus une rareté de contenu de genre et de tendances 'genderistes' dans les pratiques de design de cours. La meta-inférence reliant les deux fils était qu'il y a le contenu du genre dans le programme d'études, mais pas avec l'égard particulier à l'éducation et que les éducateurs 'doivent savoir' du genre. Le chapitre terminant examine les implications épistémologiques de la connaissance 'comment faire' par rapport au genre quand transmise par l'éducation d'enseignant, en recommandant que tant les éducateurs d'enseignant que les enseignants de préservice identifient leur connaissance de soi 'gendered' comme une connaissance contingente et non-universelle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.052 | 0.125 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.007 | 0.036 |
| Scholarly communication | 0.020 | 0.029 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".