MétaCan
Menu
Retour à la cohorte
Enregistrement W2160857859 · doi:10.5430/ijhe.v1n2p108

Facilitating the Development of Study Skills through a Blended Learning Approach

2012· article· en· W2160857859 sur OpenAlexvenueno aff
J. Goosby Smith, Mark Groves, Belinda Bowd, Alison E. Barber

Notice bibliographique

RevueInternational Journal of Higher Education · 2012
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueOnline and Blended Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésExperiential learningPsychologyBlended learningActive learning (machine learning)Student engagementLearning cycleLearning environmentMedical educationMathematics educationEducational technologyPedagogyMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

This study examined the effectiveness of a Blended Learning (BL) environment designed to facilitate the learning of study skills with a large (over 200) and diverse undergraduate student cohort in a Higher Education (HE) institution in the UK. A BL environment was designed using the model provided by Kerres & De Witt (2003), and was also designed to be consistent with Kolb’s (1984) experiential learning cycle. Eight focus groups with six students were undertaken to examine student perceptions of their learning experience, and to establish if learning had taken place in each phase of Kolb’s (1984) cycle. All students also completed a reflective study skills essay, and a sample of these were scrutinised for evidence of certain aspects of experiential learning. Student engagement in the module and the BL environment was examined through small group tutorials. The results suggest that the module encouraged a high level of student engagement, and learning in each stage of Kolb’s (1984) experiential learning cycle, and that the use of a BL environment facilitated aspects of this experiential learning. Teachers in HE should therefore consider the potential benefits of a blended learning approach as a means of facilitating the experiential learning of study skills.

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)0,005
score de la tête « metaresearch » (Gemma)0,009
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0030,002
Science ouverte0,0020,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,034
Tête enseignante GPT0,397
Écart entre enseignants0,363 · 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

Citations9
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Higher EducationMême sujetOnline and Blended LearningTravaux en français237 207