MétaCan
Menu
Constructeur de cohorte

4 299 418 travaux, canadiens par l’une de quatre routes.

Chaque état de filtre est une URL; l’URL est la requête; la requête est citable via /q/⟨hash⟩. La page, l’API et l’export analysent les mêmes paramètres.

La cohorte courante, diffusée en continu depuis la base de données : toutes les colonnes des travaux, les étiquettes machine, les scores provisoires et l'état de validation de chaque rangée. Les exportations sont plafonnées à 100 000 rangées. Crée un lien /q/ permanent pour cette requête exacte. Les mêmes filtres produisent toujours le même lien, qui que soit le demandeur.

Terme de recherche
Auteur ou autrice
Période
Ordre
Langue
Type
Domaine
Revue
E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education
Sujet
Rétractation
Résumé
Source des données probantes
Devis d'étude
Accord des étiquettes
État des étiquettes

Les étiquettes directes de Codex et Gemma sont non validées et clairsemées. Les prédictions distillées couvrent la base complète et sont elles aussi non validées. Choisissez explicitement la source; l'absence d'une étiquette directe n'est jamais une étiquette négative.

affaffiliation
fundbailleur
venuerevue
aboutsujet

Les quatre voies se composent : exigez la voie du financement et excluez l'affiliation pour obtenir la strate financée-seulement qu'aucune base fondée sur l'affiliation ne voit jamais.

491 résultats · 1 filtre actif ·
Résultats par année
20022019
Date de publication
Catégories
Étiquettes machine · couverture clairsemée
Preuves
Langue
Type
Citations
Un travail non étiqueté est inconnu, pas un négatif. La couverture est rapportée à chaque requête.
491 travaux dans la cohorte · sur 4 299 418page 2 sur 10

Les étiquettes couvrent 1 des 491 travaux de cette cohorte. Les autres sont non étiquetés, ce qui n'est pas une étiquette négative : la table des étiquettes est clairsemée aujourd'hui et s'enrichit au fil des rondes d'étiquetage.

Les prédictions distillées couvrent 491 des 491 travaux de cette cohorte. Ces prédictions portent le statut machine_predicted_unvalidated. Le volet Gemma est une étiquette directe du modèle pour chaque travail (titre seulement); le volet Codex est un classifieur distillé et calibré. Le mode candidate est l'union; le consensus est l'intersection.

affsans résuménon étiqueté
The Vocal Village: Enhancing Collaboration with Spatialized Audio
Ryan Kilgore, Mark Chignell
2004· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
3
citations
affsans résuménon étiqueté
Cost Modeling for eLearning
Andrew Choi, Jon Hatol, Vive Kumar
2003· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Business, Management and Accounting
prédiction machine:candidate · aucuneconsensus · aucune
3
citations
affsans résuménon étiqueté
Leadership in Distance Education: Do we need a Leadershift?
Heather Scarlett-Ferguson
2011· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
3
citations
affsans résuménon étiqueté
A Re-conceptualized Model of Good Online Pedagogical Practices
Shelley Cobbett
2007· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
3
citations
affsans résuménon étiqueté
Diagnostic Cognitive Assessment and E-learning
Kit Hang Leung
2002· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Psychology
prédiction machine:candidate · aucuneconsensus · aucune
3
citations
affsans résuménon étiqueté
Rating Learning Object Quality with Bayesian Belief Networks
Kate Han, Vive Kumar, John C. Nesbit
2003· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
3
citations
affsans résuménon étiqueté
Process-Oriented Assessment in Mathematics Education
Zekeriya Karadağ, Douglas McDougall
2009· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
3
citations
affnon étiqueté
Managing virtual world sessions for health science interprofessional education
Patricia Boechler, Sharla King, Eleni Stroulia, Michael Carbonaro, Erik deJong, Ewa Wasniewski +1 autres
2010· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Medicine
prédiction machine:candidate · aucuneconsensus · aucune
3
citations
affsans résuménon étiqueté
Ten Principles for Effective Tinkering
Jon Dron
2014· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Medicine
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Modalities of Using Learning Objects for Intelligent Agents
Dorian Stoilescu
2007· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Business, Management and Accounting
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Online learning: Myths and realities
Qing Li
2004· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Using Laptops Effectively in Higher Education
Robin Kay
2004· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affnon étiqueté
Hard and Soft Technologies: Stories of Women and Technology
Lorraine Beaudin
2008· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Designing a Mathematics-for-All MOOC
George Gadanidis
2013· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Toward Accessible Learning Resources
Olusola Adesope, John C. Nesbit
2005· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Assessing the Impact of a Virtual Lab In Health Care Education
Helene-Marie Goulding, Robin Kay, Jia Li
2016· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Engineering
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Connecting E-portfolios and Learner Models
Zinan Guo, Jim Greer
2005· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
2
citations
affsans résuménon étiqueté
Online Feedback Strategies for Learning and Teaching
Salter Diane, Leslie Richards
2004· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
2
citations

En coulisses: Sélection · Constats · À propos