Framework for Strengthening Research in ICT-Mediated Learning
Notice bibliographique
Résumé
ICT-mediated learning appears to hold great promise for achieving the goal of education for all such as, reducing the long-existing disparity between north and south, reducing poverty and promoting social inclusion. However, the integration of ICTs in education requires considerable investment in time and resources. Consequently, when planning to integrate ICT in education and training policy makers should be able to use evidence-based information for making sound decisions. In spite of the critical importance of sound research to guide policy and practice, it appears that there is a lack of valid and reliable evidence-based information in the field of learning technology. Many studies conducted during the past 70 years have failed to establish a significant difference in effectiveness between learning technology and traditional methods. While these findings tend to suggest that learning technology does not considerably improve learning, the fundamental question that remains unanswered is, were the researchers assessing the effectiveness of ICTs or were they simply assessing the effectiveness of instructional treatments that were initially less than perfect? If the instructional treatment is weak or flawed it may lead the researcher to reach false conclusions. The purpose of this paper is to propose a framework for establishing, a priori, the effectiveness of ICT-mediated instructional treatments used in educational research.
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 | 0,350 | 0,192 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,022 | 0,009 |
| Études des sciences et des technologies | 0,009 | 0,051 |
| Communication savante | 0,017 | 0,020 |
| Science ouverte | 0,013 | 0,017 |
| Intégrité de la recherche | 0,018 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».