MétaCan
Menu
Retour à la cohorte
Enregistrement W2782534858 · doi:10.29173/iasl7472

Motivation to transfer learning to multiple contexts

2021· article· en· W2782534858 sur OpenAlexvenueno aff
Laurent Testers, Andreas Gegenfurtner, Saskia Brand‐Gruwel

Notice bibliographique

RevueIASL Annual Conference Proceedings · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueOnline and Blended Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Information literacyTransfer of learningProcess (computing)Set (abstract data type)Computer scienceKnowledge managementMathematics educationSanctionsWork (physics)PsychologyPedagogyArtificial intelligencePolitical scienceEngineering

Résumé

récupéré en direct d'OpenAlex

To stay up-to-date in contemporary information intensive societies it is important to be able to effectively and efficiently find, evaluate, process and present required information. In educational contexts training in these so-called information literacy competences is mainly the domain of institutional libraries. Essential to education is the long-term transfer of learning, that is the application of newly acquired competencies also outside the training environment. Research learns that this often takes place sparsely, leading to what is called a Transfer Paradox. The aim of this study is to develop a practical instrument for instructional designers to measure the influence of a set of key variables on the learner's motivation to transfer learning to the wider educational and the work context. Two hundred and thirty-four students of the Open University of the Netherlands doing an information literacy course filled out a questionnaire before entering the course. Data was analyzed using factor analyses and hierarchical multiple regression analysis. Results show that the opportunity to apply new learning and sanctions from supervisors are two important factors that influence the learner's motivation to transfer learning in both the study and the work context already before the course has started.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,307
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIASL Annual Conference ProceedingsMême sujetOnline and Blended LearningTravaux en français237 207