MétaCan
Menu
← Retour à la cohorte
Enregistrement W1582529359 · doi:10.19173/irrodl.v12i6.998

Increased technology provision and learning: Giving more for nothing?

2011· article· en· W1582529359 sur OpenAlexvenueno aff
Emmanuelle Quillérou

Notice bibliographique

RevueThe International Review of Research in Open and Distributed Learning · 2011
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueOnline and Blended Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésToolboxComputer scienceSynchronous learningEducational technologyNothingActive learning (machine learning)Blended learningWork (physics)Knowledge managementCooperative learningTeaching methodMathematics educationMultimediaArtificial intelligenceEngineeringPsychology

Résumé

récupéré en direct d'OpenAlex

The development of new communication technologies has led to a push for greater technology use for teaching and learning. This is most true for distance learning education, which relies heavily on new technologies. Distance learning students, however, seem to have very limited time available for studying and learning because of work and/or family commitments. This paper focuses on the actual use by distance learning students of different teaching and learning resources and their associated teaching technologies (learning tools). The organisation of one module has been conceptualised as a toolbox, encompassing all the learning tools provided to students. This toolbox also explicitly includes an embedded priority system for the examination of available learning resources, conceptualised as a traffic-light toolbox in this paper. Results from a survey on the resources actually used by students show that students are indeed time-constrained. Students consequently follow the priority system embedded into the module and do not use non-examinable resources much. This paper concludes that students’ specific needs or situations need to be considered for the design of an effective learning toolbox, as opposed to just providing a bundle of learning tools that may be effective on their own.

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)0,006
score de la tête « metaresearch » (Gemma)0,014
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: aucune
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0030,011
Communication savante0,0180,026
Science ouverte0,0020,009
Intégrité de la recherche0,0060,004
Charge utile insuffisante (le modèle a refusé de juger)0,0120,002

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 Opus0,098
Tête enseignante GPT0,465
Écart entre enseignants0,367 · 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

Citations5
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe International Review of Research in Open and Distributed Learning→Même sujetOnline and Blended Learning→Travaux en français237 207→