Mediating knowledge through peer-to-peer interaction in a multicultural online learning environment: A case of international students in the US
Notice bibliographique
Résumé
<p>The continuous growth of online learning and its movement towards cross-border and cross-culture education has recently taken a new turn with the epic hype that currently surrounds the development of massive open online courses (MOOCs) (Beattie-Moss, 2013). This development brings to focus the experiences of international students who take online courses designed and offered within the paradigm of Western pedagogy. Employing a sociocultural theoretical framework (Vygotsky, 1978; Scollon &amp; Scollon, 2001), this paper examines the mediating roles that peers may play in the context of multicultural online learning environments. This two-stage, mixed methods study explored the experiences of 12 international graduate students who took fully online courses in a large research university in the northeastern region of the United States. The data included a survey, online interviews, as well as a case study that took a close look at the experiences of a female student from China. Findings of the study demonstrated that international students that come from diverse native academic backgrounds and cultures may necessitate a close relationship with peers they meet in the US courses. Peers become invaluable mediators of knowledge for international students who seek peer assistance to compensate for the lack of culture-specific knowledge and skills and to satisfy their interest in the host culture. The study suggests that course developers and facilitators should be proactive when assigning group projects and activities so as to enable close peer-to-peer interaction and opportunities for building personal relationships with other class members.</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 | 0,016 | 0,015 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».