Using the SECTIONS Framework to Evaluate Flash Media
Notice bibliographique
Résumé
It is easy to feel overwhelmed with the tantalizing array of instructional technologies available. How do educators choose the ones to use? We are part of a distributed team of instructional designers, evaluation consultants, and new media specialists within the University of Alberta (Canada). Until recently, we worked together as instructional developers in Academic Technologies for Learning (ATL). Instructors often ask us what will be the best technology for teaching. The problem is that there are many factors to consider, and there typically is not one best answer to any educational situation. Without clear guidelines, popular trends can drive decisions rather than the educational appropriateness of the technology or media. A model for the analysis and selection of technologies is provided by Bates and Poole (2003) in their book Effective Teaching with Technology in Higher Education. Their SECTIONS framework is particularly appealing as it considers broader organizational implications, student needs, and subject matter concerns. At ATL, we have found that instructional designers, technical specialists, and professional educators sometimes have difficulty communicating effectively about the multitude of factors that influence the design of educational resources. The SECTIONS framework provides a unified approach for individuals who have widely varying perspectives, backgrounds, and expertise. Project teams will find that the framework is both flexible and comprehensive and may be used to guide decision-making in a variety of educational contexts. The SECTIONS framework is based on an acronym representing the criteria that should be considered when selecting instructional technologies: Students, Ease of use,
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».