Strengthening Deeper Learning Through Virtual Teams in E-learning: A Synthesis of Determinants and Best Practices
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
Globally, e-learning is gaining popularity as its potential contributions to economic and social development are recognised. However, its full potential has not been realised, as most e-learning practices merely replicate traditional existing teaching methods and have not fully exploited the interactive and social components of peer learning. Recently, there has been an increased focus on learning in higher educational settings, in particular, a focus on the skills and knowledge that reinforce each other and together promote learning (Chow, 2010). In other words research shows that to be successful all students must have access to educational opportunities that foster learning. Virtual teams (VT) are said to foster deeper learning, but have not been empirically studied in the academic sphere, and little is known about their effectiveness as a learning mechanism in e-learning. In this paper the findings of a systemic review and interpretive synthesis of the body of literature on e-learning and VT are presented. The objective of the study was to identify the core skills and knowledge from research that reinforce each other and together promote learning. The results from this study will strengthen e-learning program planning and delivery within higher education centres that are already engaged in e-learning, as well as convey important best practices for learning centres at the beginning stages of e-learning development. Presented is an e-learning framework, which may serve as the foundation of future empirical studies in e-learning. Resume Renforcer l'apprentissage plus approfondi en passant par des equipes virtuelles dans l'apprentissage en ligne : Une synthese des determinants et des meilleures pratiques A l'echelle mondiale, l'apprentissage en ligne gagne en popularite puisque ses contributions eventuelles au developpement economique et social sont reconnues. Cependant, son plein potentiel n'a pas ete realise, car la plupart des pratiques d'apprentissage en ligne ne font que simplement reproduire les methodes d'enseignement traditionnelles existantes et n’ont pas pleinement exploite les composantes interactives et sociales de l'apprentissage par les pairs. Recemment, il y a eu une focalisation accrue sur l’apprentissage plus approfondi dans des milieux d'enseignement superieur, en particulier, l'accent sur les competences et les connaissances qui se renforcent mutuellement et, ensemble, favorisent un apprentissage plus approfondi (Chow, 2010). Autrement dit, la recherche montre que pour reussir, tous les etudiants doivent avoir acces a des possibilites educatives qui favorisent un apprentissage plus approfondi. Les equipes virtuelles (EV) sont dites de favoriser l'apprentissage « plus approfondi », mais elles n'ont pas ete empiriquement etudiees dans la sphere academique, et on en sait peu sur leur efficacite en tant que mecanisme d'apprentissage en apprentissage en ligne. Dans cet article, les resultats d'une revue systematique et d’une synthese interpretative de la litterature sur l'apprentissage en ligne et les equipes virtuelles sont presentes. L'objectif de l'etude etait d'identifier les competences de base et les connaissances issues de la recherche qui se renforcent mutuellement et, ensemble, favorisent un apprentissage plus approfondi. Les resultats de cette etude permettront de renforcer la planification de programme et la livraison d’apprentissage en ligne dans les centres d'enseignement superieur qui sont deja impliques dans l'apprentissage en ligne, ainsi que de transmettre d'importantes meilleures pratiques pour les centres d'apprentissage qui en sont aux premiers stades du developpement de l'apprentissage en ligne. On presente un cadre de reference d'apprentissage en ligne, qui peut servir de base a de futures etudes empiriques en apprentissage en ligne.
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle