Advancing learning through smart learning analytics: a review of case studies
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
Purpose Smart learning analytics (Smart LA) – i.e. the process of collecting, analyzing and interpreting data on how students learn – has great potentials to support opportunistic learning and offer better – and more personalized – learning experiences. The purpose of this paper is to provide an overview of the latest developments and features of Smart LA by reviewing relevant cases. Design/methodology/approach The paper studies several representative cases of Smart LA implementation, and highlights the key features of Smart LA. In addition, it discusses how instructors can use Smart LA to better understand the efforts their students make, and to improve learning experiences. Findings Ongoing research in Smart LA involves testing across various learning domains, learning sensors and LA platforms. Through the collection, analysis and visualization of learner data and performance, instructors and learners gain more accurate understandings of individual learning behavior and ways to effectively address learner needs. As a result, students can make better decisions when refining their study plans (either by themselves or in collaboration with others), and instructors obtain a convenient monitor of student progress. In summary, Smart LA promotes self-regulated and/or co-regulated learning by discovering opportunities for remediation, and by prescribing materials and pedagogy for remedial instruction. Originality/value Characteristically, Smart LA helps instructors give students effective and efficient learning experiences, by integrating the advanced learning analytics technology, fine-grained domain knowledge and locale-based information. This paper discusses notable cases illustrating the potential of Smart LA.
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 | 0,010 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,010 |
| 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