MétaCan
Menu
Retour à la cohorte
Enregistrement W1894323778 · doi:10.19173/irrodl.v5i1.171

Tutoring Large Numbers: An Unmet Challenge

2004· article· en· W1894323778 sur OpenAlexvenueno aff
Helen Lentell, Jennifer O’Rourke

Notice bibliographique

RevueThe International Review of Research in Open and Distributed Learning · 2004
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducation and Technology Integration
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTUTORDistance educationMainstreamCurriculumPoint (geometry)Computer scienceMathematics educationHigher educationPedagogyMultimediaPsychologyPolitical scienceMathematics

Résumé

récupéré en direct d'OpenAlex

Open and distance learning (ODL) is increasingly being regarded as a viable policy option for developing countries with limited educational resources for buildings, books and trained teachers, seeking to increase accessibility for large numbers of learners in education and training opportunities. Advocates of ODL as an appropriate solution to development issues tend to emphasise the hardware and software (curricula, materials and media of instruction and delivery, and especially ICTs) rather than the learning support needed (See, for example, World Bank, 2002). In one sense this should not be surprising. As Lentell has noted, tutoring has never been at the forefront of mainstream writing on distance education, at least not until fairly recently (Lentell, 2003). However, whilst tutoring might not be central to the writing about ODL in the north, the practice is somewhat different. Tutoring tends to be the less visible element of ODL, but it is no less essential than good materials and effective administration. Distance education cannot exist without tutors who provide feedback and guidance to students. This point is well demonstrated by, for example, the array of institutional handbooks on tutoring produced by distance education universities. In practice, established distance education providers typically invest considerably in tutoring and other forms of learner support (Rumble, 1997). Moreover, and certainly among learner support professionals, there is an implicit "preferred" model. This model assumes a relatively low student-to-tutor ratio, with the tutor offering proactive individual guidance and feedback. Such a model, however, is not easily transferable to a situation where the reasons for adopting distance education are limited numbers of teachers and limited access to educational provision.

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)0,045
score de la tête « metaresearch » (Gemma)0,152
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: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,045
Score d'incertitude au seuil0,239

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0450,152
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,006
Communication savante0,0110,023
Science ouverte0,0050,009
Intégrité de la recherche0,0090,009
Charge utile insuffisante (le modèle a refusé de juger)0,0330,019

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 Opus0,140
Tête enseignante GPT0,523
Écart entre enseignants0,383 · 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
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

Citations46
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe International Review of Research in Open and Distributed LearningMême sujetEducation and Technology IntegrationTravaux en français237 207