CAN MOBILE LEARNING MATURITY BE MEASURED? A PRELIMINARY WORK
Notice bibliographique
Résumé
New mobile platforms, connected seamlessly to the Internet via wireless access have become increasingly more powerful and have found usage in a diverse set of application areas. On such area that has seen exponential growth in the use of mobile devices is the educational sector. Learning facilitated by mobile phones mobile Learning (m-Learning) is increasingly being adopted as an alternative way of imparting education by several institutions. The educational institutions are becoming more open to embracing new learning platforms, which in turn has sparked the interest in developing new assessment frameworks. The increasing popularity of m-Learning in universities necessitates the development of a process maturity evaluation methodology that would help in successful adoption of the new learning platform within universities. Accordingly, this paper presents a maturity model for evaluating the maturity of universities while adopting the m-Learning platform. This is a preliminary framework based on the current understanding of the issue. Later versions are expected to be more detailed and robust with the availability of empirical data from users. Additionally, there is also is a lack of comprehensive assessment and evaluation methodology for m-Learning platform, which is considered to be one of the major roadblocks in implementing the technology. The present paper addresses an important question: Can m-Learning maturity be measured? One viable solution for the question is adapting the Capability Maturity Model (CMM) framework to design and propose a capability maturity model suitable for m-Learning within educational institutions.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».