Benefits and Challenges of Technology-Enabled Learning using the Community of Inquiry Theoretical Framework
Notice bibliographique
Résumé
The Introduction to Technology-Enabled Learning (TEL) MOOC was intended to engage teachers worldwide who work in any level of education and are interested in technology-enabled learning and open educational resources. This paper investigates the response by participants to the content presented in week one on the Community of Inquiry (CoI) model, in particular, the benefits and challenges of using the CoI framework with in the classroom, whether it is online, blended or face-to-face. Titre: Bénéfices et défis des technologies pour l’apprentissage selon le cadre théorique de la communauté d’apprentissage L’introduction du MOOC sur les technologies pour l’apprentissage visait à engager des enseignants du monde entier qui, quel que soit le niveau auquel ils enseignent, s’intéressent aux technologies pour l’apprentissage et aux ressources éducatives libres. Cet article traite de la réponse donnée par les participants au contenu présenté dans la semaine une, sur le modèle de la communauté d’apprentissage, en particulier les bénéfices et défis accompagnant l’usage du cadre de la communauté d’apprentissage dans la salle de classe, que cela soit en ligne, hybride ou face-à-face. Mots-clés: CLOMs, Communauté d’apprentissage, Technologies pour l’apprentissage
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,029 |
| Communication savante | 0,017 | 0,019 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».