Use of emerging mobile computer technology to train the Qatar workforce
Notice bibliographique
Résumé
Background: According to the Qatar National Vision 2030, Qatar residents are encouraged to implement information and communication technology (ICT) initiatives in government, business, and education in pursuit of a knowledge-based society that embraces innovation, entrepreneurship, and excellence in education. This research project, which is funded by the Qatar National Research Fund (QNRF) under the National Priority Research Program (NPRP), is contributing to this vision by investigating the use of innovative training technology to train Qataris so that they are prepared for the 21st century workforce. Specifically, this research project investigates the use of mobile computer technology--such as mobile phones, tablet computers, and handheld computers--to train Qatar residents on workplace English so that they can become more effective when communicating in the workplace. This presentation will share the results of a preliminary study that was conducted. This project will be expanded using the "Framework for the Rational Analysis of Mobile Education" (FRAME) model (Figure 1) that describes the convergence of mobile technologies, human learning capacities, and social interaction. Objectives: The research evaluates the effectiveness of the mobile computer technology training and transferability to the Qatar workplace environment. Methods: A total of 27 trainees participated in this study. They were given a pre-test followed by the mobile learning training and then a post-test. Results: Overall, the learners' performance improved by 16 percent after completing the training with mobile technology. Ninety four percent of subjects said that the quality of the presentation on the mobile technology was either excellent, good, or fair. One hundred percent of subjects reported that the mobile technology helped them learn. Conclusion: The delivery of training using mobile computer technology was well received by learners. They liked the interactive and innovative nature of the training.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».