Is social software really a “killer app” in the education of net generation students? Findings from a case study
Notice bibliographique
Résumé
Purpose Social software is increasingly viewed as the new “killer application” in higher education – a potential answer to needs ranging from active learning and student engagement, to faculty empowerment. The purpose of this study is to explore this potential in the context of participating net generation students in a science and technology oriented, laptop‐based university located in Southern Ontario. The study is interested in the efficacy and pedagogical impact of social software (SSW) technologies in the students' learning experience. Design/methodology/approach The research model used an exploratory, descriptive, quantitative case study. The focus of the study was on the impacts of SSW on students' information literacy skills. A quasi‐experimental model was used to compare the effects of SSW use in information literacy instruction with those of traditional educational technologies such as learning management systems (LMS). Findings A total of 80 students participated. Twenty‐four students in the treatment group used SSW during the instruction phase, while in the control group, 56 used the LMS. The pre‐test showed a relatively moderate use of SSW technologies among the participants, with the exception of social networking technologies. At the completion of the study, students showed moderate willingness to employ SSW to enhance their learning. Barriers to the adoption of these technologies were highlighted. The study findings could not demonstrate that the use of SSW, compared with more established technologies such as the LMS would lead to different information literacy scores. Originality/value This is a summary of my original PhD research completed in 2009. A shorter poster version was presented at the 2011 IATUL Conference in June 2011 at Warsaw, Poland.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
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 ».