Research priorities in mobile learning: An international Delphi study / Les priorités de recherche en matière d'apprentissage mobile: Une étude de Delphes internationale
Notice bibliographique
Résumé
Along with advancing mobile technologies and proliferating mobile devices and applications, mobile learning research has gained great momentum in recent years. While there have been review articles summarizing past research, studies identifying mobile learning research priorities based on experts’ latest insights have been lacking. This study employed the Delphi method to obtain a consensus from experts about areas that are most in need of research in mobile learning. An international expert panel participated in a three-round Delphi process involving two cycles of online questionnaires and feedback reports. Participants responded to the question, “What should be the research priorities for the field of mobile learning over the next 5 years?” Ten research categories were identified and ranked in order of priority: 1) teaching and learning strategies; 2) affordances; 3) theory; 4) settings of learning; 5) evaluation/assessment; 6) learners; 7) mobile technologies and interface design; 8) context awareness and augmented reality; 9) infrastructure and management; and 10) country and digital divide. This study also reported expert-generated research statements for each research category and the importance of these research statements rated by the experts. Selected research papers were summarized to help contextualize the discussions of research categories and statements. Avec l'avancement des technologies mobiles et la prolifération des appareils mobiles et des applications, la recherche consacrée à l'apprentissage mobile a récemment pris de l’ampleur. Si des articles ont résumé les recherches antérieures, les études s’appuyant sur les dernières connaissances d'experts pour identifier les priorités de recherche sur l'apprentissage mobile font défaut. La présente étude a utilisé la méthode de Delphes pour obtenir un consensus des experts sur les domaines nécessitant le plus des recherches sur l'apprentissage mobile. Un groupe international d'experts a participé à un processus de Delphes structuré en trois rondes impliquant deux séries de questionnaires en ligne et des rapports de rétroaction. Les participants ont répondu à la question : "Quelles devraient être les priorités de recherche dans le domaine de l'apprentissage mobile pour les cinq prochaines années ?" Dix catégories de recherche ont été identifiées et classées par ordre de priorité : 1 ) stratégies d'enseignement et d'apprentissage ; 2 ) affordances ; 3 ) théorie ; 4 ) paramètres d’apprentissage ; 5 ) évaluation ; 6 ) apprenants ; 7 ) technologies mobiles et conception de l'interface ; 8 ) perception du contexte et réalité augmentée ; 9 ) infrastructure et gestion ; et 10 ) pays et fossé numérique. Cette étude a également repris les déclarations de recherche énoncées pour chaque catégorie par les experts ainsi que le classement par ordre d’importance des déclarations de recherche selon l’avis de ces experts. Quelques articles choisis ont été résumés pour faciliter la contextualisation des discussions portant sur les catégories de recherche et sur les déclarations.
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 | 0,125 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,007 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».