MétaCan
Menu
Retour à la cohorte
Enregistrement W1562200364 · doi:10.19173/irrodl.v12i7.1028

Emergent learning and interactive media artworks: Parameters of interaction for novice groups

2011· article· en· W1562200364 sur OpenAlexvenueno aff
Marta Kawka, Kevin Larkin, Patrick Alan Danaher

Notice bibliographique

RevueThe International Review of Research in Open and Distributed Learning · 2011
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClass (philosophy)Computer scienceNarrativeThe artsInteractive LearningTask (project management)Learning stylesSocial mediaActive learning (machine learning)Mathematics educationWorld Wide WebMultimediaPsychologyArtificial intelligenceVisual arts

Résumé

récupéré en direct d'OpenAlex

Emergent learning describes learning that occurs when participants interact and distribute knowledge, where learning is self-directed, and where the learning destination of the participants is largely unpredictable (Williams, Karousou, & Mackness, 2011). These notions of learning arise from the topologies of social networks and can be applied to the learning that occurs in educational institutions. However, the question remains whether institutional frameworks can accommodate the opposing notion of “cooperative systems” (Shirky, 2005), systems that facilitate the creation of user-generated content, particularly as first-year education cohorts are novice groups in the sense of not yet having developed university-level knowledge. This paper theorizes an emergent learning assessment item (Flickr photo-narratives) within a first-year media arts undergraduate education course. It challenges the conventional models of student–lecturer interaction by outlining a methodology of teaching for emergence that will facilitate student-directed and open-ended learning. The paper applies a matrix with four parameters (teacher-directed content/student-directed content; non-interactive learning task/interactive learning framework). This matrix is used as a conceptual space within which to investigate how a learning task might be constructed to afford the best opportunities for emergent learning. It explores the strategies that interactive artists utilize for participant engagement (particularly the relationship between the artist and the audience in the creation of interactive artworks) and suggests how these strategies might be applied to emergent generative outcomes with first-year education students. We build upon Williams et al.’s framework of emergent learning, where “content will not be delivered to learners but co-constructed with them” (De Freitas & Conole, as cited in Williams et al., 2011, p. 40), and the notion that in constructing emergent learning environments “considerable effort is required to ensure an effective balance between openness and constraint” (Williams et al., 2011, p. 39). We assert that for a learning event within a Web 2.0 environment to be considered emergent, not only does there need to be an effective balance between teacher-directed content and student-directed content for knowledge to be open, creative, and distributed by learners (Williams et al., 2011), but there also need to be multiple opportunities for interaction and communication between students within the system and that these “drive the emergence of structures that are more complex than the mere parts of that system” (Sommerer & Mignonneau, 2002, p. 161).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,013
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,006
Communication savante0,0070,005
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0130,001

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.

Tête enseignante Opus0,247
Tête enseignante GPT0,532
Écart entre enseignants0,285 · 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 source (Gemma direct ou Codex distillé), 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

Citations6
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe International Review of Research in Open and Distributed LearningMême sujetInnovative Teaching and Learning MethodsTravaux en français237 207