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 3 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
Elementary and Junior High School Use of Clickers
Norma Nocente, Greg Belostotski
2009· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
Developing a Metric for Evaluating Discussion Boards
Robin Kay
2004· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Decision Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
E-Literacy for the Workforce: Designing Effective Instruction
Sonya Symons, Lisa Langille, Heather Hemming
2002· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
Pedagogy, Digital Learning Spaces, and Design: Lessons from Blended Learning
Denyse V. Hayward, Amanda Montgomery, William Dunn, Michael Carbonaro
2015· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
Learning with collaborative concept maps: A Meta-Analysis
Olusola Adesope, John C. Nesbit
2009· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Psychology
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
Topic Tree: Increasing the Accuracy of Item Retrieval
Hicham Hage, Esma Aı̈meur
2007· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
Health Sciences Students’ Perceptions of Online Problem-Based Learning
Wendy Sword, Ruta Valaitis, Bob Morris Jones, Andrea Hodges
2002· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
Frame Analysis Method: Monitoring Metacognitive Activities
Zekeriya Karadağ, Douglas McDougall
2009· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Psychology
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
e-Learning through Experiential Learning Projects
Kalyani Premkumar, Cyril Coupal
2009· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
E-learning Effectiveness and Culture
Hafid Agourram, Mourad Mansour
2007· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
Creating OER materials - Perspectives of Global Instructors
Nathaniel Ostashewski, Serena Henderson
2017· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Computer Science
prédiction machine:candidate · open_scienceconsensus · aucune
1
citations
affsans résuménon étiqueté
Traditional and Online Forms of Education: Proposing a Common Ground
Tolulope Adesope, Olusola Adesope, Caroline Ojeme
2008· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
Transnational Graduate Studies: designing the virtual seminar
Norman Vaughan, Michael Power
2009· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
A Framework for Agile Instructional Development
Sharon Bratt
2011· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affnon étiqueté
Editing an Electronic Book in Virtual Team: Our Journey
Madhumita Bhattacharya, Nada Mach, Mahnaz Moallem
2011· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Psychology
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affsans résuménon étiqueté
iQUIZ: A Tool Making Internet Quizzes easy to Develop and Use
Hanna Farah
2002· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations
affaboutnon étiqueté
Developing a Community of Videoconference Users
David Hinger
2007· article· en· E-Learn: World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education· Social Sciences
prédiction machine:candidate · aucuneconsensus · aucune
1
citations

En coulisses: Sélection · Constats · À propos