MétaCan
Menu
Retour à la cohorte
Enregistrement W1561466974

Analysing the Effectiveness of Learning Objects for Secondary School Science Classrooms

2009· article· en· W1561466974 sur OpenAlexaff
Robin Kay, Liesel Knaack

Notice bibliographique

RevueJournal of educational multimedia and hypermedia · 2009
Typearticle
Langueen
DomaineComputer Science
ThématiqueOpen Education and E-Learning
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésMathematics educationClass (philosophy)Science learningQuality (philosophy)PsychologyScience classTeaching methodValue (mathematics)PedagogyScience educationComputer scienceArtificial intelligencePhysics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The current study offers a comprehensive, systematic analy sis of learning objects used in secondary school science class rooms. Five reliable and valid measures were used to exam ine the effectiveness of learning objects for 503 students and 15 teachers in 27 science classrooms. The results suggest that teachers typically spend 1-2 hours finding learning objects and preparing lessons that often focus on the review of pre vious material. both teachers and students are positive about the learning benefits, quality, and engagement value of learn ing objects, although teachers are more positive than students. student performance increased significantly, almost 40%, when learning objects were used in conjunction with a vari ety of teaching strategies including brief introductions, letting students work on their own, and providing guiding handouts. it is reasonable to conclude that science-based learning ob jects are effective teaching tools in the secondary school en vironment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,748
Score d'incertitude au seuil0,437

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,292
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of educational multimedia and hypermediaMême sujetOpen Education and E-LearningTravaux en français237 207