E-learning in school education in the coming 10 years for developing 21st century skills: Critical research issues and policy implications
Notice bibliographique
Résumé
One of the curriculum goals of e-learning in school education is to develop learners for 21st century skills through their daily learning activities. This paper aims to discuss the research issues and policy implications critical for achieving such a curriculum goal. A review of literature in the related fields indicates that K-12 schools should take advantage of e-learning to maximize learning opportunities of learners for the development of 21st century skills. We identify six research issues critical for e-learning in school education, namely the realization of developing 21st century skills of learners; the bridging of the gap between curriculum in school and situations in society; the maximization of learning opportunities in the learning process; the collection of evidence of improvement and building awareness of progress; the assessment of 21st century skills; and the provision of teacher development for enculturating learners to develop 21st century skills. We recommend the relevant stakeholders across different countries/regions to consider policies on the goal-setting of curriculum addressing 21st century skills development and bridging gap between school and society; on the availability of digital technology for school education; on the privacy/legal issues of learning data in e-learning process; and on the teacher development for pre-service and in-service teachers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,043 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,017 |
| Communication savante | 0,024 | 0,028 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,016 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».