Discovering America: Unpacking Popular Social Q&A for Prospective Chinese International Students
Notice bibliographique
Résumé
The global pandemic and recent shift to online learning has heightened the need to better understand how to support international students, especially across online and virtual platforms. However, a review of literature reveals a paucity of studies dedicated to international student use of internet-based platforms and services for seeking information and sharing experiences. One avenue for further research is Social Question & Answer Communities (SQACs), which are vast conduits of shared experiences and knowledge connecting hundreds of thousands of pre-application and pre-arrival students. In this study, content analysis was utilized to qualitatively observe the contents of the “Overseas Studies in The United States” section of Zhihu, and quantitatively count their features and characteristics. The study found that 58% of the questions and answers were devoted to Academic issues such as testing, admissions, learning and research, with another 13.0% on Crime, Law and Safety, and the remaining 29% of the questions were associated to a diverse array of topics associated with living and working in American society. The most popular answers were made up of mainly 4 main types: Sharing One’s Experience (32.0%), Advice (26.0%), Opinion (22.0%) and Critique (15.0%). Content analysis of three main answer features, namely the use of Imagery, Digital Resources, and Social feature, indicated that the Advice and Critique answer types contain the richest variety of features and that question context, textual styles and use of digital resources are important factors for understanding the answer popularity in SQACs.
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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».