MétaCan
Menu
Retour à la cohorte
Enregistrement W2300634237 · doi:10.1007/s40593-016-0109-9

Preface to the IJAIED 25th Anniversary Issue, Part 2

2016· article· en· W2300634237 sur OpenAlexaff
H. Chad Lane, Gordon McCalla, Chee-Kit Looi, Susan Bull

Notice bibliographique

RevueInternational Journal of Artificial Intelligence in Education · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueMedicine and Dermatology Studies History
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésComputer scienceEngineering ethicsLibrary scienceData scienceEngineering

Résumé

récupéré en direct d'OpenAlex

AIED: The Next 25 YearsWe are very pleased to present part 2 of the 25th anniversary special issue of the International Journal of Artificial Intelligence in Education (IJAIED) to which we have given the title: The Next 25 Years: How Advanced Interactive Learning Technologies will Change the World.Part 1 of this special issue stands, in the words of the guest editors, as a Bcelebration of the scholarly kind^of the journal's past 25 years and the 400+ articles published.It is our honor in part 2 to continue the celebration and share the vision of some of AIED's current and emerging leaders who accepted our invitation to look forward to the next 25 years of learning technology research.This issue is framed by Part 1 of the special issue, which consists of 35 articles written by authors of the most highly-cited and influential articles from the first 25 years of IJAIED.These authors reflect on their past work, identify its key contributions and impacts, and discuss how the work evolved after the original publication.Importantly, authors were also asked to consider remaining open questions and what would be needed today in order to solve the problems they had originally pursued.It is with these Bremaining open questions^that Part 2 of the anniversary issue picks up.We focus on the road ahead for AIED, what new research

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)0,003
score de la tête « metaresearch » (Gemma)0,014
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: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: Éditorial
Score de désaccord entre enseignants0,165
Score d'incertitude au seuil0,552

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0050,003
Études des sciences et des technologies0,0030,001
Communication savante0,0100,004
Science ouverte0,0020,004
Intégrité de la recherche0,0050,007
Charge utile insuffisante (le modèle a refusé de juger)0,1650,104

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 Opus0,037
Tête enseignante GPT0,365
Écart entre enseignants0,329 · 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
GenreÉditorial

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

En bref

Citations8
Publié2016
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueInternational Journal of Artificial Intelligence in EducationMême sujetMedicine and Dermatology Studies HistoryTravaux en français237 207