The effects of group dynamics on learning in virtual world environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The MA Education in Virtual Worlds is an entirely online programme that facilitates the study of virtual world environments as places where learning can \ntake place. The synchronous tutorials, workshops and seminar sessions all take place in the virtual world Second Life and have a particular emphasis on experiential and situated learning. Due to its distance learning format and \naccessible nature, students take part in the programme from countries all over the world. They meet regularly every week in the virtual world, and those meetings take place through the personae of their avatars. The first year of the programme (Sep 2012-May 2013) was a pilot run with 7 students taking part from the UK, New Zealand and Greece. This first year run was characterised by rapid gelling as \na group and enthusiasm, but they also displayed insecurity, both in relation to the online environment if they were “newbies”, or in relation to the level of study if \nMasters level study was new to them. They demonstrated little or no sense of competition between cohort members. Their assessment outcomes were excellent \nand they demonstrated much creativity in their approach to learning. The current run (Sep 2013-May 2014) has a larger recruitment of 20 students, resident in the UK, Argentina, USA, Canada, Germany and Saudi Arabia. Early indicators of the current first year group are that the levels of enthusiasm are very similar, but some of the early adjectives that characterise this cohort include insecure, committed,curious and competitive. This paper discusses the ongoing findings of an observational and evaluative study of the nature of the group dynamics amongst cohorts on the programme, and the effects these dynamics may have upon learning. \nKey Words: Group dynamics, learning, forming, storming, norming, performing.
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.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle