MétaCan
Menu
Retour à la cohorte
Enregistrement W1599960761 · doi:10.19173/irrodl.v14i2.1530

Open education resources and mobile technology to narrow the learning divide

2013· article· en· W1599960761 sur OpenAlexaffvenue
Mohamed Ally, Mohammed Samaka

Notice bibliographique

RevueThe International Review of Research in Open and Distributed Learning · 2013
Typearticle
Langueen
DomaineComputer Science
ThématiqueMobile Learning in Education
Établissements canadiensAthabasca University
Organismes subventionnairesQatar National Research FundFonds National de la Recherche LuxembourgQatar Foundation
Mots-clésLaptopComputer scienceOpen educational resourcesInternet accessOpen learningMultimediaOpen educationEducational technologyDistance educationMobile technologyDeveloping countryMobile deviceThe InternetWorld Wide WebTelecommunicationsInternet privacyTeaching methodEconomic growthCooperative learningSociologyPedagogy

Résumé

récupéré en direct d'OpenAlex

As the world becomes more digitized, there will be an increasing need to make available learning resources in electronic format for access by information and communication technologies. The question education will face is whether these learning resources will be available for learners to access at no cost or affordable cost so that there will be equity in access by anyone regardless of location, status, or background. With initiatives such as the Millennium Development Goals and Education For All by the United Nations (United Nations, 2011) learning materials must be available as open education resources to achieve the goals. Currently, most learning materials are available at a cost for people to purchase to learn, or they have to travel to a specific location (school or library) to access learning materials. In some parts of the world, especially in developing countries, these costs are prohibitive, preventing learners from achieving a basic level of education so that they can be productive in society and improve their quality of life (Bhavnani et al., 2008). Some would say that people in remote locations and developing countries do not have computers to access learning materials. It is true that many do not have desktop or laptop computers to access learning materials, but they have mobile devices and are now obtaining tablets with wireless capability to allow them to access learning materials from anywhere and at any time. These countries are bypassing the wired desktop stage and moving directly to wireless mobile technology (Bhavnani et al., 2008). Storing open education resources (OER) in electronic repositories will allow learners to access the resources using mobile technology. With mobile technologies, learners can complete coursework and assessments from anywhere and send their work to their tutors electronically and receive feedback (GSMA, 2011).

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)0,004
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesScience ouverte
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 enseignants0,998
Score d'incertitude au seuil0,194

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0050,011
Communication savante0,0140,034
Science ouverte0,0020,022
Intégrité de la recherche0,0050,006
Charge utile insuffisante (le modèle a refusé de juger)0,0580,011

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 Opus0,042
Tête enseignante GPT0,433
Écart entre enseignants0,391 · 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.

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

Citations87
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe International Review of Research in Open and Distributed LearningMême sujetMobile Learning in EducationTravaux en français237 207