Constructing a Design Framework and Pedagogical Approach for Adaptive Learning in Higher Education: A Practitioner's Perspective
Notice bibliographique
Résumé
While adaptive learning is emerging as a promising technology to promote access and quality at a large scale in higher education (Becker et al., 2018), the implementation of adaptive learning in teaching and learning is still sporadic, and it is unclear how to best design and teach an adaptive learning course in a higher education context. As early adopters, a team of instructors, instructional designers, and administrators at the University of Central Florida (UCF) identified five key design features as an adaptive learning design framework to guide the unique course design process. These five features involve deliberate design and development efforts that could bring significant benefits to student learning. The purpose of this field note is to present a design framework and best practices for teaching from both a systems and a pedagogical approach in the context of implementation at UCF. We also share the rationale and classification framework UCF has adopted to ensure the term “adaptive learning” is universally understood across campus. This paper offers insights into the design, delivery, and implications of utilizing adaptive learning systems in higher education courses at a public research university and attempts to capture the intimacy of lessons learned and best practices gathered since the project’s inception in 2014.
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 | 0,073 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,033 |
| Communication savante | 0,017 | 0,014 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,011 | 0,013 |
| 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 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 ».