Working with Sources in the L2 Student Writer’s Assemblage: Technology, Texts, and Research
Bibliographic record
Abstract
Cette étude explore comment les concepts deleuziens d’agencement, d’affect et de rhizome peuvent informer et transformer notre compréhension du rôle joué par la technologie dans le façonnement de la rédaction universitaire dans une langue seconde. Plus précisément, elle se concentre sur la pratique de rédaction universitaire dans une langue seconde alors que des rédacteurs débutants écrivent une composition argumentée dans un programme de transition d’anglais académique. L’étude suit le parcours de sept participants au cours de plusieurs semaines à mesure qu’ils s’attellent à cette tâche. Les outils de collecte de données comprennent des entrevues tout au long du processus de rédaction, l’analyse documentaire des brouillons écrits, la vidéocapture d’écran et la tenue d’un journal de recherche. La rhizoanalyse a été utilisée pour analyser les données et schématiser les connexions entre les éléments des agencements des étudiants rédacteurs. Des vignettes sont présentées pour problématiser la lecture conventionnelle des données et faire en sorte que les textes dans la recherche sur la rédaction en langue seconde soient envisagés comme des machines asignifiantes. Une lecture différente des données des participants permet d’explorer les interconnexions entre les éléments matériels, affectifs et expressifs, et les forces en jeu dans le processus de rédaction fondé sur des sources, dans un environnement numérique. Pour ces étudiants-rédacteurs novices en langue seconde, les éléments et les forces de leur agencement opèrent de façon unique et imprévue, et produisent des résultats inattendus.
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 | 0.020 | 0.059 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.010 | 0.010 |
| Scholarly communication | 0.024 | 0.026 |
| Open science | 0.002 | 0.012 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.021 | 0.006 |
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".