Transforming online teaching and learning: towards learning design informed by information science and learning sciences
Notice bibliographique
Résumé
Purpose The purpose of this paper is to provide an overview of the practical work of learning designers with the aim of helping members of the information science (IS) and learning sciences (LS) communities understand how evidence-informed learning design of online teaching and online learning in higher education is relevant to their research agendas and how they can contribute to this growing field. Design/methodology/approach Illustrating how current online education instructional designs largely ignore evidence from research, this paper argues that evidence from IS and LS can encourage more effective and nuanced learning designs for e-learning and online education delivery and suggest how interdisciplinary collaboration can advance shared understanding. Findings Recent reviews of the learning design show that tools and techniques from the LS can support students in self-directed and self-regulated learning. IS studies complement these approaches by highlighting the role that information systems and computer–human interaction. In this paper, the expertise from IS and LS are considered as important evidence to improve learning design, particularly vis-à-vis digital divide concerns that students face during the COVID-19 pandemic. Originality/value This paper outlines important ties between the learning design, LS and IS communities. The combined expertise is key to advancing the nuanced design of online education, which considers issues of social justice and equity, and critical digital pedagogy.
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 | 0,057 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,018 |
| Communication savante | 0,017 | 0,011 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».