Collaborative Learning and Research Training: Towards a Doctoral Training 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
Doctoral training has not been studied in depth as a learning situation, and no learning environment has been designed to specifically support actors involved in the training of future researchers. The research literature on doctoral education indicates that the knowledge about doctoral training needs to be made explicit and formalized. We claim that several problems brought up in the literature on PhD Training could be reduced or solved by a doctoral training environment designed on the basis of a cognitive analysis. Doctoral training in the sciences consists essentially of research training through immersion in scientific communities and activities. Collaborative learning is built in authentic research situations, where doctoral students discover collaborative research. The model of a ‘Collaboratory' provides the foundations for the practice of collaborative research. Future researchers are expected to be competent in practicing ‘E-science' and knowledgeable about distributed research with remote access to shared instruments. The ability to practice ‘Coexperimentation' is part of the research skills. An authoring environment has been prototyped as well as an instantiation of a PhD program in the field of Cognitive Informatics One Use Case consists of two or three research distributed teams sharing observations and discussions, a research training situation involving immersion and collaborative learning. A series of tests and co-experimentations involving Inquiry Learning Environments as a topic of study in the field of Technology-Enhanced Learning was conducted. An international collaboration happened through Kaleidoscope and the coexperimentations were made possible by an optical network infrastructure providing high quality interactions in terms of sharing and telepresence.
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 | 0,076 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,000 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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