MétaCan
Menu
Retour à la cohorte
Enregistrement W2143425863 · doi:10.19030/cier.v4i3.4115

Managing The Legal Risks Of High-Tech Classrooms

2011· article· en· W2143425863 sur OpenAlexaffabout
Laura A. Nenych

Notice bibliographique

RevueContemporary Issues in Education Research (CIER) · 2011
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCopyright and Intellectual Property
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésThe InternetLegislationProcess (computing)ConfusionPublic relationsOrder (exchange)Educational technologyInternet privacyLawComputer scienceBusinessWorld Wide WebPolitical sciencePsychology

Résumé

récupéré en direct d'OpenAlex

When professors and students utilize the Internet, course web pages, and other online learning tools, much of the material that they make use of is protected by copyright law. A blend of case law and legislation governs the use of online materials and how technology can be used in the classroom and in school-related activities, often creating confusion for content users. Educators and students alike need to be familiar with applicable laws and need to understand the implications of common activities such as using technology in the classroom, conducting research on the Internet, and using multi-media in classroom presentations and student projects. Canadian copyright law is currently undergoing a much-needed process of reform, in order to bring Canadian copyright law in line with the laws of the rest of the world, and to keep up with rapidly changing technology that has changed the way people use copyrighted materials. This paper will focus on the legalities surrounding the use of technology and digital media in educational settings. It will provide guidelines for Canadian educators to ensure that their use of information technology and digital materials in the classroom is both appropriate and acceptable, and will propose strategies to manage those risks.

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)0,033
score de la tête « metaresearch » (Gemma)0,105
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,097
Score d'incertitude au seuil0,193

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0330,105
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0320,026
Communication savante0,0260,014
Science ouverte0,0060,017
Intégrité de la recherche0,0130,012
Charge utile insuffisante (le modèle a refusé de juger)0,0110,002

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.

Tête enseignante Opus0,234
Tête enseignante GPT0,391
Écart entre enseignants0,157 · 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'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations0
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueContemporary Issues in Education Research (CIER)Même sujetCopyright and Intellectual PropertyTravaux en français237 207