MétaCan
Menu
Retour à la cohorte
Enregistrement W1842326538 · doi:10.19173/irrodl.v6i2.227

Learning Objects and Instructional Design

2005· article· en· W1842326538 sur OpenAlexaffvenue
Brian Harvey

Notice bibliographique

RevueThe International Review of Research in Open and Distributed Learning · 2005
Typearticle
Langueen
DomaineComputer Science
ThématiqueOpen Education and E-Learning
Établissements canadiensAthabasca University
Organismes subventionnairesnon disponible
Mots-clésInstructional designComputer scienceEducational technologyDistance educationMultimediaMathematics educationHuman–computer interactionPsychology

Résumé

récupéré en direct d'OpenAlex

Reusable learning objects are an approach that is receiving a significant amount of attention in distance-based and online education (see Reports # 11, 40, and 46 in this series). They have the potential to provide cost-effective, personalised instruction with a short development time. Instructional design principles, however, must play an important part in any such development effort, within a design process that occurs on two levels. At the higher level, instruction must be designed to deliver material efficiently to students at the modular/ course/ programme level. Design principles should be applied at the secondary level, at which the unique characteristics of learning objects are determined. Various instructional design (ID) methodologies are capable of dealing with these issues. The current report discusses a sle of these methodologies, and compares the ID adequacy of objects in four major learning object repositories: Merlot, CLOE, EOE, and Wisconsin Online. At the time of writing, each of these repositories contains objects that are inadequate from the ID point of view.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut 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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,730
Score d'incertitude au seuil0,465

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,092
Tête enseignante GPT0,424
Écart entre enseignants0,332 · 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 tête enseignante, 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
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

Citations23
Publié2005
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe International Review of Research in Open and Distributed LearningMême sujetOpen Education and E-LearningTravaux en français237 207