CanCore: Best Practices for Learning Object Metadata in Ubiquitous Computing 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
Understanding the potential of ubiquitous computing technologies for learning and education (i.e. "ubiquitous e-learning") is a relatively new undertaking. Ubiquitous computing refers to making computers imperceptibly and pervasively available to the user in her environment. The notion of ubiquitous computing as a research issue itself dates back only to 1988 (Weiser, 1991), and the popular realization of this technology in the form of wireless mobile devices such as mobile telephones, personal digital assistants, Webpads, laptops, onboard automobile navigation systems, and other portable, networked computing technologies has only recently taken place. This paper begins from the premise that the emergent requirements of ubiquitous e-learning are very well suited to the flexibility and adaptability of a learning objects approach. The paper starts with a brief consideration of the characteristics and requirements of ubiquitous e-learning, and also explains the learning object approach and the standards and infrastructures used to support it. It then identifies challenges presented by the fact that these standards and infrastructures have not been developed with the requirements of ubiquitous e-learning in mind. The paper then suggests a number of adaptations or extensions to one specific and important e-learning standard - the standard for "learning object metadata." In discussing the application of this standard to ubiquitous e-learning, this paper makes significant reference to the CanCore guidelines for the implementation of learning object metadata in order to ensure maximum reusability and interoperability of data in this new context.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 découle