Cloud Collaboration: Cloud-based Instruction for Business Writing Class
Notice bibliographique
Résumé
Cloud computing technologies, such as Google Docs, Adobe Creative Cloud, Dropbox, and Microsoft Windows Live, have become increasingly appreciated to the next generation digital learning tools. Cloud computing technologies encourage students’ active engagement, collaboration, and participation in their learning, facilitate group work, and support knowledge or information sharing among students. With the cloud features, learning can be accessed anywhere at any time and the world can be a classroom. Students can learn from anywhere and teachers can teach from anywhere. Cloud-based app features such as convenient and on-demand network access to a shared pool of files are indeed providing support for learning and instruction. Learning is now turned into anywhere learning and collaboration, both locally and globally. This study focuses the scope of potential of these cloud technologies for future educators to develop an understanding of how they can be embraced into the instruction. This is a case-study research (n= 28) into the use of cloud-based technology, Google Docs, to support learning in a face-to-face college business writing class. Data pertaining to student Google Docs use and activities will be collected. The first section of this study summarizes the definition of cloud computing technologies with examples of cloud resources. The second section determines the effects of technology, specifically the integration of cloud computing technologies with business English writing instruction, on students’ perception of teacher’s role. The following section identifies the potential benefits to learning and teaching from cloud-based learning environment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».