MétaCan
Menu
Retour à la cohorte
Enregistrement W2801189664 · doi:10.5206/cjsotl-rcacea.2018.1.6

Self-Regulation and “Time Off”: Evaluations and Reflections on the Development of a Blended Course

2018· article· en· W2801189664 sur OpenAlexaffvenue
Natalie Spadafora, Zopito A. Marini

Notice bibliographique

RevueThe Canadian Journal for the Scholarship of Teaching and Learning · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueOnline and Blended Learning
Établissements canadiensBrock University
Organismes subventionnairesnon disponible
Mots-clésBlended learningPedagogyHumanitiesSociologyMathematics educationPsychologyEducational technologyArt

Résumé

récupéré en direct d'OpenAlex

Changes in both the landscape of education and digital technology are giving rise to interesting, innovative, and potentially effective pedagogical possibilities. As educators of the 21st century, we are witnessing continuous changes in the way we teach as well as the way students learn. This study is a part of an ongoing research program aimed at evaluating the pedagogical effectiveness of blended teaching. More specifically, this paper aims to describe some of our reflections as we developed, delivered, and carried out an evaluation of a university course taught using a blended format. Undergraduate students (n=109) in a fourth-year capstone course participated in this study. We report on the students’ perceptions of the effectiveness of the delivery method of the course, while focusing on the struggles they encountered, including difficulties keeping up with the course content, particularly on the weeks where the lecture was online, as well as a struggle to stay organized and connected with their peers and their assignments. Self-regulation turned out to be a major determinant of success in this type of course. We conclude with suggestions to improve students’ social and academic experiences as they navigate learning in a digital world. Les changements survenus à la fois dans le paysage de l’éducation et dans la technologie numérique donnent naissance à des possibilités pédagogiques intéressantes, innovatrices et potentiellement efficaces. En tant qu’éducateurs du XXIe siècle, nous assistons à des changements continus dans la manière dont nous enseignons ainsi que dans la manière dont les étudiants apprennent. Cette étude s’inscrit dans le cadre d’un programme de recherche en cours qui a pour objectif d’évaluer l’efficacité pédagogique de l’enseignement hybride. Plus spécifiquement, cet article vise à décrire certaines de nos réflexions au fur et à mesure que nous élaborons, livrons et exécutons l’évaluation d’un cours universitaire enseigné selon un format hybride. Des étudiants de premier cycle (n=109) inscrits dans un tout dernier cours de quatrième année ont participé à cette étude. Nous présentons un rapport sur la manière dont les étudiants ont perçu l’efficacité de la méthode employée pour enseigner ce cours, tout en mettant l’accent sur les problèmes qu’ils ont rencontrés, y compris les difficultés à faire face au contenu du cours, en particulier durant les semaines où les cours magistraux étaient présentés en ligne, ainsi que sur leurs difficultés à rester organisés et connectés avec leurs camarades de classe et avec leurs devoirs. Il s’avère que l’autorégulation est un élément important pour la réussite de ce type de cours. Pour conclure, nous présentons des suggestions pour améliorer l’expérience sociale et académique des étudiants dans leur parcours de l’apprentissage au sein d’un monde numérique.

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)0,015
score de la tête « metaresearch » (Gemma)0,035
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,078

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,035
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0050,002
Science ouverte0,0010,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,068
Tête enseignante GPT0,392
Écart entre enseignants0,323 · 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'étudeQualitatif
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

Citations5
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal for the Scholarship of Teaching and LearningMême sujetOnline and Blended LearningTravaux en français237 207