A framework for interaction and cognitive engagement in connectivist learning contexts
Notice bibliographique
Résumé
Interaction has always been highly valued in education, especially in distance education (Moore, 1989; Anderson, 2003; Chen, 2004a; Woo & Reeves, 2007; Wang, 2013; Conrad, in press). It has been associated with motivation (Mahle, 2011; Wen-chi, et al., 2011), persistence (Tello, 2007; Joo, Lim, & Kim, 2011), deep learning (Offir, et al., 2008) and other components of effective learning. With the development of interactive technologies, and related connectivism learning theories (Siemens, 2005a; Downes, 2005), interaction theory has expanded to include interactions not only with human actors, but also with machines and digital artifacts. This paper explores the characteristics and principles of connectivist learning in an increasingly open and connected age. A theory building methodology is used to create a new theoretical model which we hope can be used by researchers and practitioners to examine and support multiple types of effective educational interactions. Inspired by the hierarchical model for instructional interaction (HMII) (Chen, 2004b) in distance learning, a framework for interaction and cognitive engagement in connectivist learning contexts has been constructed. Based on cognitive engagement theories, the interaction of connectivist learning is divided into four levels: operation interaction, wayfinding interaction, sensemaking interaction, and innovation interaction. Connectivist learning is thus a networking and recursive process of these four levels of interaction.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,016 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».