The Use of Social Media in E-Learning: A Metasynthesis
Notice bibliographique
Résumé
The adoption of social media in e-learning signals the end of distance education as we know it in higher education. However, it appears to have very little impact on the way in which open and distance learning (ODL) institutions are functioning. Earlier research suggests that a significant part of the explanation for the slow uptake of social media in e-learning lies outside of conventional factors attributed to distance learning reforms. This research used the conceptual framework for online collaborative learning (OCL) in higher education. Social media such as blogs, wikis, Skype or Google Hangout, Facebook; and even mobile apps, such as WhatsApp; could facilitate deep learning and the creation of knowledge in e-learning at higher educational institutions. This metasynthesis is an interpretative integration of peer-reviewed qualitative research findings on social media in e-learning. It includes a synthesis of data, research methods, and theories used to investigate social media in e-learning. Seven themes emerged from the data which have been recrafted into a framework for social media in e-learning as the final product. The proposed framework could be useful to instructional designers and academics who are interested in using modern learning theories and want to adopt social media in e-learning in higher education as a deep learning strategy.
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 | 0,024 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,022 | 0,015 |
| Études des sciences et des technologies | 0,004 | 0,008 |
| Communication savante | 0,012 | 0,018 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».