MétaCan
Menu
Retour à la cohorte
Enregistrement W2783903692 · doi:10.2478/mjss-2018-0013

Learning Styles and the Hybrid Learning: An Empirical Study about the Impact of Learning Styles on the Perception of the Hybrid Learning

2018· article· en· W2783903692 sur OpenAlexaff
Ariel Ora, Anxhela Ferhataj

Notice bibliographique

RevueMediterranean Journal of Social Sciences · 2018
Typearticle
Langueen
DomainePsychology
ThématiqueLearning Styles and Cognitive Differences
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésPsychologyLearning stylesPerceptionStability (learning theory)Style (visual arts)Mathematics educationDescriptive statisticsTest (biology)Active learning (machine learning)CorrelationStatistical analysisArtificial intelligenceComputer scienceMachine learningStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract Learning style is a crucial element in the academic life of students. It plays a fundamental role in the selection of a suitable teaching method of instruction. The aim of this research paper is the study of the perception of the hybrid learning and students’ learning style. In addition, another objective of the study is to analyze the perception of the hybrid learning in accordance with the learning style. This paper employs quantitative research and the descriptive and comparative methods. The study sample consists of 89 Albanian university students. Data analysis was conducted through SPSS 20 and JASP-0.8.1.2. The statistical analyses utilized in this paper are distribution tables, crossed tabulation, student test, Pearson correlation coefficient, Bayesian Independent Samples T-Test, and One - Way ANOVA. The conclusion of the data analysis shows that most students used the visual learning style in order to study. Students have a positive perception of the hybrid learning. There exists an insignificant statistical correlation between learning styles and the perception of the hybrid learning. The area of study has an impact on the components of the hybrid learning.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
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 Opus0,067
Tête enseignante GPT0,397
Écart entre enseignants0,330 · 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'étudeObservationnel
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

Citations13
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMediterranean Journal of Social SciencesMême sujetLearning Styles and Cognitive DifferencesTravaux en français237 207