From Monologue to Dialogue: Creating a Community of Inquiry in Online Ecological Restoration Courses
Notice bibliographique
Résumé
Universities are offering more online courses in ecological restoration to meet the growing demand for practitioners in this field. Online courses have the potential to contribute to this nuanced discipline by creating an environment in which learners from various backgrounds and locations can co-create knowledge. Unfortunately, online courses are often executed within the traditional educational paradigm of one-way knowledge transmission. In contrast, creating a community of inquiry invites learners to discuss ideas to generate meaning for themselves through collaborative and constructivist learning experiences. We tested techniques to create a community of inquiry in an online course in an ecological restoration program with the aim of shifting learners' interactions from the transmittal to constructivist model of knowledge construction. We changed three interdependent elements of communities of inquiry: the cognitive, social, and teaching presence. We measured participation and dialogue resulting from changes made to the 2014 and 2015 courses compared to the 2013 course, which served as the control. To quantify dialogue, we developed an index based on the different roles individuals take in a discussion. Results show that participation and dialogue increased, particularly in 2015 when the teaching presence followed a community of inquiry approach by showing curiosity, recognizing multiple perspectives and by illustrating that knowledge can be co-created. Variability in the results among groups suggested that some learners did not thrive in a community of inquiry. Nevertheless, many learners embraced collaborative knowledge construction, setting the stage for an enduring community of ecological restoration practitioners to emerge.
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 | 0,004 | 0,011 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 ».