Do UOC students fit in the Net Generation profile? An approach to their habits in ICT use
Notice bibliographique
Résumé
<p>Some authors have stated that university students born after 1982 have been profoundly influenced by digital technologies, showing different characteristics when compared to previous generations. However, it is worth asking if that is a current observable phenomenon. Are those students born after the 80s really more familiar with ICT tools than those born in previous generations? Do they show different study habits and learning paths? Different research lines (Kennedy, et al., 2010; Bennett, Maton, &amp; Kervin, 2008; Gros, García, &amp; Escofet, 2012) highlight that scientific data is rarely used when discussing this generation’s characteristics; however, none of them have proved in statistical terms that college students do not fit in the Net Generation characteristics and that their habits of ICT use in social and professional activities do not differ from older generations. The international research project, Digital Learners in Higher Education, seeks to develop a sophisticated and evidence-based understanding of university learners in different institutional contexts and the perception of cultures in their use of technology in a social and educational context. Data has been collected from four institutions in Canada and Spain: the British Columbia Institute of Technology, the University of Regina, the Open University of Catalonia (UOC), and the University Rovira i Virgili. In order to develop this project, we used a multi-case study embedded design (Yin, 2009). The UOC’s case is deeply analysed in this paper to affirm that the Net Generation is more speculative than real and that includes students’ perception about this phenomenon, and guidelines are proposed in an eLearning context.</p>
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 | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».