MétaCan
Menu
Retour à la cohorte
Enregistrement W1577119548

A Mixed-methods Systematic Review of Online versus Face-to-face Problem-based Learning

2012· article· en· W1577119548 sur OpenAlexaffvenue
Brian Jurewitsch

Notice bibliographique

RevueInternational journal of e-learning & distance education · 2012
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueProblem and Project Based Learning
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésLigneOnline learningPsychologyFace-to-faceQualitative researchComputer scienceHumanitiesSociologyEpistemologyMultimediaArtPhilosophy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Problem-based learning (PBL) is an instructional strategy that is poised for widespread application in the current, growing, online digital learning environment. While enjoying a track-record of being a defensible strategy in face-to-face learning settings, the research evidence is not clear regarding PBL in online environments. A review of literature revealed that there are few research studies comparing online PBL (oPBL) to face-to-face PBL, and of these, findings have been mixed. This study is a systematic review of the existing research literature comparing oPBL to face-to-face PBL. The study’s aim is to: 1. Detect the presence and magnitude of the effectiveness of oPBL; 2. Uncover and identify the factors which contribute or explain the effectiveness of oPBL. This review used a mixed methods strategy, combining a meta-analysis with a qualitative analysis of the studies that met inclusion criteria. An overall effect size was found to be slightly in favour of oPBL in terms of student performance outcomes. The qualitative analysis revealed relationships between established concepts of learning. The observations in this systematic review help reduce uncertainty about the robustness of PBL as in instructional strategy delivered in the online environment. Resume L’apprentissage par problemes (APP), aussi denomme apprentissage par resolution de problemes (ARP), est une strategie pedagogique qui est appelee a se repandre dans l’environnement actuel et toujours croissant de l’apprentissage en ligne. Alors que les evaluations anterieures demontrent que cette strategie est defendable dans les situations d’apprentissage en face a face, les resultats d’etudes scientifiques ne sont pas clairs en ce qui a trait a l’APP dans les environnements en ligne. Une revue de la litterature a revele qu’il y a peu d’etudes qui comparent l’APP en ligne (eAPP) a l’APP en face a face (APP) et que celles qui ont ete realisees arrivent a des resultats mitiges. La presente etude est une revue systematique de la litterature scientifique comparant l’eAPP a l’APP en face a face. Les objectifs de l’etude sont de : Deceler la presence et l’ampleur de l’efficacite de l’eAPP; Decouvrir et identifier les facteurs qui contribuent ou qui expliquent l’efficacite de l’eAPP. Pour realiser cette revue, nous avons eu recours a une strategie de methodes mixtes, combinant une meta-analyse et une analyse qualitative des etudes qui satisfaisaient aux criteres d’inclusion. Nous avons observe, dans l’ensemble, que l’ampleur de l’effet penchait legerement en faveur de l’eAPP au niveau des resultats de la performance des eleves. L’analyse qualitative a revele des liens entre les concepts d’apprentissage bien etablis. Les remarques formulees dans cette revue systematique aident a reduire l’incertitude au niveau de la robustesse de l’APP en tant que strategie pedagogique utilisee dans un environnement en ligne.

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)0,039
score de la tête « metaresearch » (Gemma)0,133
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,039
Score d'incertitude au seuil0,208

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0390,133
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0130,013
Bibliométrie0,0190,017
Études des sciences et des technologies0,0020,002
Communication savante0,0050,004
Science ouverte0,0030,003
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,033
Tête enseignante GPT0,416
Écart entre enseignants0,383 · 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'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations1
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational journal of e-learning & distance educationMême sujetProblem and Project Based LearningTravaux en français237 207