Addressing diverse learner preferences and intelligences with emerging technologies: Matching models to online opportunities
Notice bibliographique
Résumé
This paper critically reviews various learning preferences and human intelligence theories and models with a particular focus on the implications for online learning. It highlights a few key models, Gardner’s multiple intelligences, Fleming and Mills’ VARK model, Honey and Mumford’s Learning Styles, and Kolb’s Experiential Learning Model, and attempts to link them to trends and opportunities in online learning with emerging technologies. By intersecting such models with online technologies, it offers instructors and instructional designers across educational sectors and situations new ways to think about addressing diverse learner needs, backgrounds, and expectations. Learning technologies are important for effective teaching, as are theories and models and theories of learning. We argue that more immense power can be derived from connections between the theories, models and learning technologies. Résumé : Cet article passe en revue de manière critique les divers modèles et théories sur les préférences d’apprentissage et l’intelligence humaine, avec un accent particulier sur les implications qui en découlent pour l’apprentissage en ligne. L’article présente quelques-uns des principaux modèles (les intelligences multiples de Gardner, le modèle VAK de Fleming et Mills, les styles d’apprentissage de Honey et Mumford et le modèle d’apprentissage expérientiel de Kolb) et tente de les relier à des tendances et occasions d’apprentissage en ligne qui utilisent les nouvelles technologies. En croisant ces modèles avec les technologies Web, les instructeurs et concepteurs pédagogiques dans les secteurs de l’éducation ou en situation éducationnelle se voient offrir de nouvelles façons de tenir compte des divers besoins, horizons et attentes des apprenants. Les technologies d’apprentissage sont importantes pour un enseignement efficace, tout comme les théories et les modèles d’apprentissage. Nous sommes d’avis qu’en établissant des liens entre les théories, les modèles et les technologies d’apprentissage, il est possible d’obtenir un résultat plus puissant. This article has been translated to Armenian. Click here for the translation.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».