Presentation Of The Paper "Adaptive And Cooperative Model Of Knowledge Management In Moocs" In Hcii 2017
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
This is the presentation of the paper entitled “Adaptive and cooperative model of knowledge management in MOOCs” in the Emerging interactive systems for education session at the HCI International 2017 Conference, held in Vancouver, Canada, 9 - 14 July 2017. One of the characteristics of Massive Open Online Courses (MOOC) is the heterogeneity of their participants’ profiles and, for the most traditional MOOC model, this is an important cause of the low completion rate. The MOOC model presents two apparent antagonistic concepts, globalization and diversity. MOOCs represent globalization (participants have to be adapted to the course) and their participants represent diversity. The authors of this paper argue that both concepts complement each other; that is, a MOOC can adapt the contents and navigation to the diversity of participants; and in turn the participants themselves can increase and improve the contents of the MOOC, through heterogeneous cooperation, to encourage massive learning. To proof it, this paper presents a new model, called ahMOOC, combining the hybrid-MOOC (hMOOC) and the adaptive MOOC (aMOOC). The hMOOC allows integrating characteristics of xMOOCs (based on formal e-training) with cMOOCs (based on informal and cooperative e-training). The aMOOC offers different learning strategies adapted to different learning objectives, profiles, learning styles, etc. of participants. The ahMOOCs continues having a lower dropout rate (such as hMOOC) than the traditional MOOCs. The qualitative analysis show the capacity of participants, with heterogeneous profiles, to create, in a cooperative and massive way, useful knowledge to improve the course and, later, to apply it in their specific work context. The study also shows that participants have a good perception on the capabilities of the ahMOOC to adapt the learning process to their profiles and preferences.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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