Influence of Learning Design of the Formation of Online Communities of Learning
Notice bibliographique
Résumé
This paper presents the findings of a study on a fully online Bachelor’s level course in Health Sciences at a European University conducted to explore the influence of learning design on the formation and evolution of different types of communities of learning. The impetus for the study came from the well-established effectiveness of community-based learning, a need for understanding learning design and analytics within networked structures and, the lack of theoretical grounding for social network analysis (SNA) in previous literature. Our study uses the Integrated Methodological Framework (IMF) which employs SNA as the key methodology for exploring community-based learning in light of the Communities of Practice (CoP) and Community of Inquiry (CoI) frameworks. The course comprised of three differently designed successive discussion forums spanning three weeks each. Network diagrams and SNA measures clearly showed the impact of the different learning designs on student engagement in the discussion forums. Based on CoP and CoI structural components within the IMF, a comparative analysis of whole-network properties of the three networks indicated the formation of a CoP, initiated and mediated by the tutor in discussion 1, sustained by the students in discussion 2, and disintegrated due to lack of guidance and facilitation in discussion 3. Qualitative analysis on the content of discussion posts revealed the importance of group oriented messages in the formation of the CoP. The paper discusses findings in terms of implications for learning design and analytics in online learning and the role of the tutor in community formation.
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 | 0,011 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».