Using learning analytics to explore self‐regulated learning in flipped blended learning music teacher education
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
Abstract Blended learning (BL) is a popular e‐Learning model in higher education that has the potential to take advantage of learning analytics (LA) to support student learning. This study utilized LA to investigate fourth‐year undergraduates' ( n = 157) use of self‐regulated learning (SRL) within the online components of a previously unexamined BL discipline, Music Teacher Education. SRL behaviors were captured unobtrusively in real time through students' interaction with course materials in Moodle. Categorized by function: (1) activating —online access location, day‐of‐the‐week, time‐of‐day; (2) sustaining —online frequency; and (3) structuring —online regularity and exam review patterns, all six SRL behaviors were revealed to have weak to moderate significant relationships with academic achievement. Results indicated access day‐of‐the‐week and access frequency as the strongest predictors for student success. Findings regarding access regularity when viewed through results from previous SRL‐LA research may suggest the importance of this SRL behavior for successful students within several BL discipline areas. In addition, the role of learning design (eg, flipped instruction) in potentially scaffolding students' choices toward specific SRL behaviors, was revealed as an important context for future researchers' consideration.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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