Teachers' Perceptions on Traditional and Non-Traditional Data Visualization for Pedagogical Decision-Making
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
From 2012 until 2016, the number of US students enrolled in an online course increased 14.68%, resulting in more work for online teachers, who are responsible for planning and making pedagogical decisions to guide students. Interactions in such courses can generate data (quantity and variety), where relevant information in the educational context can be extracted, assisting teachers managing their classes. However, to present these data in spreadsheets, tables and graphics, is not enough. In this context, some authors suggest using data visualization to communicate information clearly and efficiently from the point of view of users, helping them analyze and reason about the data. However, people react differently to different types of visualization, which we categorized into two broad groups: traditional or non-traditional. We evaluated how users reacted to these types of visualizations and what users' features are associated with their preferences for one category or the other. In this paper, we surveyed 235 teachers to evaluate how these two categories of visualizations affect the way participants evaluated data from an online course. They had to check the visualizations and identify which item contributed the most, and which item contributed the least to the performance of the students. The answers (correct or incorrect) were evaluated regarding the teachers' age, gender, experience, education and perception on the usefulness of each visualization. Our ultimate purpose was to create a model to recommend visualizations according to the teachers' profile.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle