Inquiry-based learning: Emirati university students choose WhatsApp for collaboration
Notice bibliographique
Résumé
Considerable research has shown the value of Inquiry-Based Learning (IBL) regarding student engagement and motivation, depth of learning, and cognitive flexibility. Student collaboration is one component of this approach, since students must communicate and work together inside and outside of class time when engaging with an IBL project. Choosing a mobile learning tool can benefit student collaboration in so far as the tool enables anytime/anywhere collaborative learning. This study looked at how 118 Emirati undergraduate students in a government-sponsored university in the United Arab Emirates chose to collaborate in an IBL semester-long assignment. Unlike some approaches that dictate the technology selection to students (Barczyk & Duncan, 2013; Prescott, Wilson & Becket, 2013), in this project course instructors gave the students autonomy to choose the best mobile learning tools for their group. The study used a mixed-methods approach to collect data on which tools students perceived as best for IBL. Participants were surveyed three times about which tool they preferred for university work: a pre-project survey, a mid-project survey, and post-project survey. Results show that students changed their preferred tool to WhatsApp over the course of the semester. A focus group with each course section provided qualitative data as to why students preferred WhatsApp. The students also delivered poster presentations as to how WhatsApp helped them complete their community-based IBL projects. This study will show how WhatsApp can be a successful mobile learning tool for student collaboration in IBL.
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 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 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».