MétaCan
Menu
Retour à la cohorte
Enregistrement W2128471136 · doi:10.5539/jel.v2n1p176

Information and Communication Technology Profiles of College Students with Learning Disabilities and Adequate and Very Poor Readers

2013· article· en· W2128471136 sur OpenAlexafffundvenueabout
Catherine S. Fichten, Mai Nhu Nguyen, Laura King, Maria Barile, Alice Havel, Zohra Mimouni, Alexandre Chauvin, Jillian Budd, Odette Raymond, Jean-Charles Juhel, Jennison V. Asuncion

Notice bibliographique

RevueJournal of Education and Learning · 2013
Typearticle
Langueen
DomaineComputer Science
ThématiqueText Readability and Simplification
Établissements canadiensCegep de Sainte FoyCégep du Vieux MontréalDawson CollegeCégep André LaurendeauCollège MontmorencyQuebec Rehabilitation Research NetworkMcGill University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésReading comprehensionPsychologyICTSReading (process)ComprehensionTest (biology)Learning disabilityInformation and Communications TechnologyMathematics educationPedagogyMedical educationDevelopmental psychologyComputer scienceLinguisticsMedicine

Résumé

récupéré en direct d'OpenAlex

We interviewed 58 experts (30 in French, 28 in English) about potentially useful information and communicationtechnologies (ICTs) for Québec college students with a learning disability (LD) and evaluated whether collegestudents with an LD (n = 74), in fact, used these. We also compared ICT use, learning opportunities, andattitudes among three groups of students from Montreal area French and English language colleges: (1) studentswith an LD, and (2) students who, based on a reading comprehension test, were categorized as adequate readers(approximately top 50%) or (3) very poor readers (approximately bottom 20%). Results indicate importantdiscrepancies between the views of the experts and the realities of students with LDs. Moreover, students with anLD use significantly fewer different types of ICTs than those without an LD.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,151
Score d'incertitude au seuil0,301

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,259
Écart entre enseignants0,249 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2013
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueJournal of Education and LearningMême sujetText Readability and SimplificationTravaux en français237 207