How to Prepare Learners for a Knowledge Society——Interview with Dr.Marlene Scardamalia
Notice bibliographique
Résumé
Dr.Marlene Scardamalia is the Presidents' Chair in Education and Knowledge Technologies at OISE/U of T in Canada.As co-founder and Director of the Institute for Knowledge Innovation and Technology(IKIT)her research helps to provide intellectual leadership for an international network of educational innovators.Her areas of research include education for knowledge creation,cognitive development,psychology of writing,intentional learning,the nature of expertise,educational use of computers,and research-based innovation in learning and knowledge work.In 2005,along with Carl Bereiter,she was honoured with the first-ever CSCL(Computer Supported Collaborative Learning)Career Achievement Award for foundational work in knowledge building environments and the Knowledge Society Network.In 2006 Marlene received the World Award of Education from the World Cultural Council,for a worldwide effort to advance educational opportunities.In 2007,the Institute for Knowledge Innovation and Technology received the ORION(Ontario Research and Innovation Optical Network)Learning Award for development of the world's first collaborative learning environment and for leadership in research-based innovations in theory,pedagogy,and technology,all aimed at making citizens part of a 21st-century knowledge-creating culture.Her publications include The Psychology of Written Composition and Surpassing Ourselves:An Inquiry into the Nature and Implications of Expertise(both with Carl Bereiter)and Writing for Results(with Bereiter and Bryant Fillion).In recent years,Dr.Marlene Scardamalia is using the SSHRC(the Social Sciences and Humanities Research Council of Canada)grant to work on a study called Beyond Best Practice:Research Based Innovation Learning and Knowledge Work.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».