Dynamic online discussion: task‐oriented interaction for deep learning
Notice bibliographique
Résumé
A framework for deep learning for dynamic online discussion in distance education is illustrated in this paper. The foundation of the framework is based on three general processes: information, methods and cognition. A structure for dynamic discussions within the framework provides three types of online discussion; flexible peer, structured topic and collaborative task discussion. The framework was applied during two semesters of an online multimedia design for instruction in a graduate level course. The strategies for creating dynamic discussion serve to facilitate online interactions among diverse learners and assist in the design of assignments for effective interactions. Students build on the adoptive learning taking place through assignments designed to promote adaptive learning and challenge their cognitive abilities, resulting in deep learning. The proposed framework and the strategies for dynamic discussion provide an online learning environment in which students learn beyond the goal of the course. Les discussions dynamiques en ligne: l’interaction orientée vers la tâche pour un apprentissage en profondeur Cet article présente un cadre méthodologique pour l’apprentissage en profondeur dans les discussions dynamiques en ligne en éducation à distance. Les fondations de ce cadre reposent sur trois processus généraux: l’information , la méthode et la cognition. La structure des discussions dynamiques au sein de ce cadre fournit trois modèles de discussion en ligne: le modèle mutuel souple, le modèle à thème structuré, et le modèle « tâche collaborative ». Ce cadre a été appliqué pendant les deux semestres d’un cours en ligne de conception des multimedia pédagogiques au niveau avancé. Les stratégies de création de discussions dynamiques servent à faciliter les interactions en ligne entre des apprenants différents et aident à concevoir des exercices visant les interactions effectives. Les étudiants construisent sur l’apprentissage en train de se produire grâce à des tâches conçues pour favoriser l’appropriation de cet apprentissage et stimuler leurs capacités cognitives ce qui conduit à un apprentissage en profondeur. La cadre proposé et les stratégies pour la discussion dynamique offrent un environnement d’apprentissage en ligne dans lequel ce que les étudiants apprennent va bien au‐delà de l’objectif du cours. Dynamische online‐diskussion: aufgabenorientierte interaktion für “deep learning” In diesem Papier wird ein Raster für “Deep Learning” über Online Diskussion bei Fernstudien vorgestellt. Die Grundlegung dieses Rahmens basiert auf drei allgemeinen Prozessen: Information, Methode und Erkenntnis. Eine Struktur für Dynamische Diskussionen innerhalb dieses Rahmens unterstützen drei Typen von Online Diskussionen: flexible Kollegen, strukturierte Thematik und gemeinsame Aufgabendiskussion. Das Raster wurde zwei Semester lang bei einem Online Multimedia Lehrentwurf eines Kurses auf Graduiertenebene verwendet Die Vorgehensweisen zur Erzeugung “Dynamischer Diskussionen” dienen dazu, Online Interaktionen zwischen verschiedenen Lernern zu erleichtern und helfen im Entwurf von Zuordnungen für wirkungsvolle Interaktionen. Studenten bauen auf das anpassungsfähige Lernen, das durch Zuordnungen stattfindet, die entworfen wurden, das adaptive Lernen zu fördern und ihre kognitiven Fähigkeiten herausfordern, die in “Deep Learning” resultieren. Das vorgestellte Raster und die Strategie zum Erreichen dynamischen Diskutierens liefern eine Online‐Learning‐Umgebung, die die Studenten unabhängig vom angestrebten Kursziel lernen.
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 | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».