Enhance, Extend, Empower: Understanding Faculty Use of E-Learning Technologies
Notice bibliographique
Résumé
There has been scant nation-wide assessment of institutional use of learning technology in Canada (Grant, 2016) and where assessment has been done of student access to e-resources, considerable variability within and across institutions has been reported (Kaznowska, Rogers, & Usher, 2011). With a broad goal of improved and increased use of learning technologies, one university wanted to explore the use of e-learning technologies across campus. The purpose of this study was to identify instructors' needs and aspirations with respect to how learning technologies at the university could be designed, implemented, and supported. The 3E framework of Enhance, Extend, Empower, proposed by Smyth, Burce, Fotheringham, & Mainka (2011), was useful in examining the underlying purposes of using e-learning technologies. For this qualitative study, the research team engaged 32 instructors in individual interviews or in focus groups to discuss how they currently use e-learning technologies, how they hope to advance their uses of these technologies, and their perceived barriers or enablers to implementation. The study has implications for practice and policy at postsecondary institutions; additionally, this study suggests possibilities for further research into the scholarship of teaching and learning in the context of e-learning technologies.
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 | 0,011 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».