Pros & Cons of Using Blackboard Collaborate for Blended Learning on Students Learning Outcomes
Notice bibliographique
Résumé
Blackboard Collaborate was introduced to King Khalid University recently in the last decade, instructors and students were trained to use it in an effective way. The objective of this study is to find pros & cons of using Blackboard Collaborate for Blended Learning and its effect on students learning outcomes. The researcher used the experimental and descriptive methods to conduct this study; the population of this study was twenty two female-students studying at College of Science & Arts/Muhayil, English Department in the 5th level who were studying Speech Workshop Course in the 1st semester 2016-2017. Two instruments were used to collect the data of this study: 1) Paper test and electronic test. 2) Students’ questionnaire. The findings of this study are: 1) Students’ results in the electronic test are much better than the paper test. 2) In spite of students’ preference to traditional classroom lectures, the students agreed that using blackboard for blended learning helped them: a) Get lesson-materials or to watch recorded lectures in case they are absent. b) Learn from their classmates’ mistakes in discussion blogs. c) Learn according to their learning styles. D) Feel dependent and secure to have regular contact with their instructor and get quick feedback for their questions and confidential tests grade results. The findings above helped to reinforce students’ motivation towards learning and affect their learning outcomes positively, however, bad access of net affects using Blackboard Collaborate in blended learning negatively.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».