MétaCan
Menu
Retour à la cohorte
Enregistrement W2410778309 · doi:10.5206/cjsotl-rcacea.2016.1.8

Examining the Use of Lecture Capture Technology: Implications for Teaching and Learning

2016· article· en· W2410778309 sur OpenAlexaffvenue
Jovan Groen, Brenna Quigley, Yves Herry

Notice bibliographique

RevueThe Canadian Journal for the Scholarship of Teaching and Learning · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovations in Educational Methods
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésAttendanceClass (philosophy)Mathematics educationPsychologyQualitative propertyComputer science

Résumé

récupéré en direct d'OpenAlex

This study sought to provide a better understanding of how lecture capture technology is used by students and how its use is related to student satisfaction, attendance, and academic performance. Using a mixed method design with both quantitative and qualitative methods to collect data, instruments included a student questionnaire, interviews and focus groups, lecture capture usage statistics, and grades. Results showed that 63% of students were satisfied with lecture capture and 75% of students indicated that it had facilitated their learning. Students primarily used the recordings to learn what they had missed while in class (79%) or because they were absent (72%). 70% of students reported having watched at least 50% of the recorded material (27% watched all the material), and only 8% of students did not view any recordings. Student satisfaction had a significant positive relationship with the number of lectures viewed. In regards to attendance, the self-reported data from students indicated that 61% of students did not miss classes (none or just one class). Students with the greatest number of missed classes viewed the recordings more frequently. As for student achievement, 68% of students indicated that lecture capture helped them to achieve better grades. Students with lower course marks accessed the recordings more frequently than those with higher marks. Instructor perceptions were that lecture capture predominately helped average to below average students achieve slightly better marks, but had less of an impact on the grades for particularly low and high achieving students. Cette étude avait pour but de fournir une meilleure compréhension de la manière dont la capture de cours en vidéo est utilisée par les étudiants et comment son utilisation est reliée à la satisfaction des étudiants, à leur assiduité et à leurs résultats académiques. Grâce à un concept de méthodes mixtes comprenant des méthodes quantitatives et qualitatives pour recueillir les données, les instruments incluaient un questionnaire à remplir par les étudiants, des entrevues et des groupes de discussion, des statistiques sur l’emploi de la capture de cours, ainsi que des notes. Les résultats ont indiqué que 63 % des étudiants étaient satisfaits de la capture de cours et 75 % d’entre eux ont pensé que cette méthode avait favorisé leur apprentissage. Les étudiants ont principalement utilisé les enregistrements pour apprendre ce qu’ils avaient manqué quand ils étaient en classe (79 %) ou parce qu’ils étaient absents (72 %). Soixante-dix pour cent des étudiants ont indiqué qu’ils avaient regardé au moins 50 % des enregistrements (27 % avaient regardé toutes les vidéos) et seulement 8 % des étudiants n’avaient regardé aucune vidéo. La satisfaction des étudiants a eu une incidence positive importante en fonction du nombre de vidéos visionnées. En ce qui concerne l’assiduité, les données auto-déclarées par les étudiants ont indiqué que 61 % des étudiants n’avaient pas manqué de classes (aucune absence ou seulement une absence). Les étudiants qui avaient le plus grand nombre d’absences avaient regardé les vidéos plus fréquemment. En ce qui concerne les résultats des étudiants, 68 % d’entre eux ont indiqué que la capture de cours les avait aidés à obtenir de meilleures notes. Les étudiants qui avaient obtenu les notes de cours les plus basses avaient regardé les vidéos plus fréquemment que ceux qui avaient obtenu des notes plus élevées. Les instructeurs ont déclaré que la capture de cours en vidéo avait surtout aidé les étudiants de niveau moyen ou inférieur à la moyenne à obtenir des notes un peu meilleures, mais qu’elle avait eu un effet moins important sur les notes des étudiants très peu performants ou sur celles des étudiants très performants.

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)0,011
score de la tête « metaresearch » (Gemma)0,048
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 enseignants0,011
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,048
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0040,004
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,124
Tête enseignante GPT0,391
Écart entre enseignants0,266 · 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

Citations42
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal for the Scholarship of Teaching and LearningMême sujetInnovations in Educational MethodsTravaux en français237 207