MétaCan
Menu
Retour à la cohorte
Enregistrement W2900506674 · doi:10.29148/labor.v1i5.6642

UTILIZAÇÃO DE AMBIENTES VIRTUAIS DE ENSINO E APRENDIZAGEM: UM COMPARATIVO ENTRE DIFERENTES MODALIDADES DE ENSINO PARA JOVENS E ADULTOS DO IFTO – CAMPUS PALMAS

2017· article· pt· W2900506674 sur OpenAlexaff
Anderson Rodrigo Piccini, Ana Maria Denardi, Gerson Pesente Focking

Notice bibliographique

RevueRevista Labor · 2017
Typearticle
Languept
DomaineSocial Sciences
ThématiqueEducation and Digital Technologies
Établissements canadiensCOM DEV International
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPsychologyPhysicsSociologyPhilosophy

Résumé

récupéré en direct d'OpenAlex

O grande avanço tecnológico associado ao barateamento dos equipamentos de informática proporcionou a oportunidade de ampliar os horizontes do ensino tradicional para além do espaço físico da sala de aula. Diante deste panorama, tornou-se necessário organizar novas experiências educacionais em que se introduzam tecnologias que possam ser utilizadas em processos cooperativos de aprendizagem, tornado-a mais significativa na medida em que maior for o grau de interação e comunicação entre os participantes do processo. A integração entre professor-aluno pode ser positivamente alterada pelo uso criativo dessas tecnologias, mas para que isso aconteça é importante haver incentivo e treinamento necessário, para que os professores passem pela experiência deste contato e tornem-se multiplicadores, expandindo essas experiências para seus alunos. Quanto maior o contato com a tecnologia por parte dos professores, maior será a incorporação de novos ambientes e a utilização de ferramentas virtuais como forma de ampliar positivamente o processo de ensino e aprendizagem. Para que isso aconteça, é importante que esse aluno receba o direcionamento que lhe proporcione uma busca correta em razão da sua formação. Neste contexto, o professor deve apresentar-se como mediador e facilitador no processo de interação, propiciando momentos de construção coletiva.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,032

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 technologies0,0020,002
Communication savante0,0050,003
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,062
Tête enseignante GPT0,371
Écart entre enseignants0,309 · 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

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevista LaborMême sujetEducation and Digital TechnologiesTravaux en français237 207