Building a tool to help teachers analyse learners’ interactions in a networked learning environment
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
Educators participating in networked learning communities have very little support from integrated tools in evaluating students’ learning activities flow and examining learners’ online behaviour. There is a need for non‐intrusive ways to monitor learners’ progress in order better to follow their learning process and appraise the online course effectiveness. This paper presents a conceptual framework and an innovative tool, called LMSAnalytics, that allows teachers and evaluators easily to track the learners’ online behaviour, make judgments about learners’ activity flow and gain a better insight about the knowledge constructed and skills acquired in a networked learning environment. Erstellen eines Tools um Lehrern zu helfen, Lerner‐Interaktionen in einer vernetzten Lernumgebung zu analysieren Pädagogen, die an vernetzten Lerngemeinschaften teilnehmen, haben sehr wenig Unterstützung von integrierten Programmen zum Auswerten der Lernaktivitäten der Studenten und von ihrem Online‐Verhalten. Es ist notwendig, nicht‐störende und auch automatisierte Möglichkeiten zur Überwachung des Lernfortschritts der Lerner zu entwickeln, damit ihr Lernfortschritt und auch die Online‐Kurs‐Effektivität besser verfolgt werden können. Dieses Papier stellt einen konzeptuellen Rahmen und ein innovatives Tool, „LMS‐Analytics”, vor, die Lehrern und Bewertern das Nachverfolgen des Online‐Verhalten des Lernenden und seinen Aktivitätsfluss zu beobachten und dadurch einen besseren Einblick über die Kenntnisse, das Wissen und die Fähigkeiten, die in einer vernetzten Lernumgebung erworben werden, zu gewinnen. La construction d’un instrument pour aider les enseignants à analyser les interactions entre apprenants dans un environnement d’apprentissage en réseau Les éducateurs qui participent aux activités de communautés d’apprentissage en réseau ne sont guère aidés par des instruments intégrés permettant d’évaluer le flux des activités d’apprentissage des étudiants et d’examiner le comportement des apprenants en ligne. Il y a un besoin réel de moyens automatisés et non invasifs pour suivre les progrès des apprenants afin de mieux suivre leur processus d’apprentissage et d’évaluer l’efficacité du cours en ligne. Cet article présente un cadre conceptuel et un outil innovant appelé LMSAnalytics qui permet aux professeurs et aux évaluateurs de suivre facilement à la trace le comportement en ligne des apprenants, de porter des jugements sur le flux d’activité de ces apprenants et d’avoir une vision meilleure du savoir qui s’est construit et des compétences acquises dans un environnement d’apprentissage en réseau. La construcción de una herramienta para ayudar a los profesores a analizar las interacciones entre los estudiantes dentro de un entorno de aprendizaje en red Los educadores que participan en comunidades de aprendizaje en red tienen poca ayuda por falta de herramientas integradas que les permitan evaluar el flujo de las actividades de aprendizaje por parte de los estudiantes y examinar su comportamiento en línea. Lo que hacen falta son sistemas automatizados y non‐invasivos para comprobar los progresos de los estudiantes, vigilar sus procesos de aprendizaje y evaluar la eficacia del curso en línea. Este artículo presenta un marco conceptual y una herramienta innovadora llamada LMS Analytics que ofrecer a los profesores y evaluadores la posibilidad de vigilar fácilmente el comportamiento en línea de los estudiantes, de evaluar sus flujos de actividad y conseguir una visión más clara de los conocimientos construidos y de las competencias adquiridas dentro de un entorno de aprendizaje en red.
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 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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