MétaCan
Menu
Retour à la cohorte
Enregistrement W2975959002 · doi:10.4018/978-1-7998-1985-1.ch002

Meaning Equivalence Reusable Learning Objects (MERLO) Access to Knowledge in Early Digital Era and Development of Pedagogy for Conceptual Thinking

2019· book-chapter· en· W2975959002 sur OpenAlexaffabout
Uri Shafrir

Notice bibliographique

RevueAdvances in educational technologies and instructional design book series · 2019
Typebook-chapter
Langueen
DomaineComputer Science
ThématiqueOpen Education and E-Learning
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMeaning (existential)Mathematics educationFormative assessmentConceptual frameworkExcellenceDigital learningEngineeringEquivalence (formal languages)PedagogyComputer scienceSociologyMathematicsPsychologyPolitical science

Résumé

récupéré en direct d'OpenAlex

This chapter describes the effects of availability of digital knowledge on teaching, learning, and assessment, and the emergence of pedagogy for conceptual thinking with meaning equivalence in different knowledge domains in early digital era. It includes three proof-of-concept implementations of meaning equivalent reusable learning objects (MERLO) in three different contexts: 1) Course ‘Risk management in the Supply Chain' at Material and Manufacturing Ontario (MMO) Centre of Excellence, in 2002, to evaluate the potential of MERLO to assess and improve learning outcomes in workplace workshops to be offered jointly by MMO and University of Toronto Innovation Foundation; 2) in 2004, secondary school courses in mathematics, physics, and chemistry at Russian Academy of Sciences, Ioffe Physical-Technical Institute, Lycee ‘Physical-Technical High School' at St. Petersburg, to train teachers in administering MERLO formative assessments and evaluate learning outcomes in STEM courses (science, technology, engineering, and mathematics); 3) in 2006, implementing MERLO pedagogy, including development of MERLO databases for grades 9 – 12 mathematics courses at Independent Learning Center (ILC) of TVOntario.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,600
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,004
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,312
Écart entre enseignants0,275 · 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 tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvances in educational technologies and instructional design book seriesMême sujetOpen Education and E-LearningTravaux en français237 207