Crossing Disciplinary Boundaries to Improve Technology-Rich Learning Environments
Notice bibliographique
Résumé
Background The capacity of instructional technologies to personalize instruction has progressively improved over the last decade, in conjunction with changes in learning theories that dictate what, when, and how to support learners. Focus of Study This paper reviews several technology-rich learning environments that are investigated by members of the Learning Environments Across Disciplines partnership, including Newton's Playground, the War of 1812 iHistory tours, Crystal Island, BioWorld, and MetaTutor. The adaptive capabilities of these systems are discussed in terms of the metaphors of using computers as cognitive, metacognitive, and affective tools. Research Design Researchers rely on convergent methodologies to collect data via multiple modalities to gain a better understanding of what learners know, feel, and understand. The design guidelines of these learning environments are used to situate this understanding as a means to generalize best practices in personalizing instruction. Conclusions The findings of these investigations have significant implications for the metaphor of using technology as a tool to augment our thinking. The challenge is now to broaden learning theories while taking into consideration the social and emotional perspective of learning, as well as to leverage recent advances in learning analytics and data-mining techniques to iteratively improve the design of technology-rich learning environments.
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 | 0,011 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,012 | 0,010 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».