MétaCan
Menu
Retour à la cohorte
Enregistrement W1685220373 · doi:10.22329/celt.v5i0.3354

25. Using Technology for Tutor and Student Learning Exchange

2012· article· en· W1685220373 sur OpenAlexvenueno aff
Katherine Hewlett

Notice bibliographique

RevueCollected Essays on Learning and Teaching · 2012
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueReflective Practices in Education
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of WestminsterDe Montfort University
Mots-clésHigher educationTUTORNegotiationVariety (cybernetics)Learning stylesPedagogyThe artsAction researchSociologyMathematics educationPsychologyPolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

This project built upon the AchieveAbility initiative, which develops materials and training for teaching specific learning difference learners in schools and colleges. AchieveAbility devised the concept for the ‘InCurriculum’ Project and brought together a consortium of United Kingdom higher education institutions to deliver the practice: Norwich University College of the Arts, the University of Westminster, and De Montfort University. All partners delivered a range of art and design courses, using a variety of complementary learning techniques.The project was set up to investigate how changing teaching and assessment practice could be beneficial to different learning styles. The contextual justification for this action research project was to investigate effective practice to retain students within their higher level courses and to support their successful attainment. The project was funded by the Higher Education Academy for a three year period, during which the United Kingdom educational landscape changed rapidly from a widening access perspective to a more business-orientated model of delivery. To make these changes, technology was shown to be essential to the negotiation that evolved for the learning exchange between the student and staff.

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)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,002
Communication savante0,0080,006
Science ouverte0,0010,007
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0220,010

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 Opus0,034
Tête enseignante GPT0,426
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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCollected Essays on Learning and TeachingMême sujetReflective Practices in EducationTravaux en français237 207