MétaCan
Menu
Retour à la cohorte
Enregistrement W3137641712 · doi:10.15694/mep.2021.000072.1

Twelve Tips for Teaching with Virtual Learning Platforms

2021· article· en· W3137641712 sur OpenAlexaff
Kheyandra D. Lewis, Zia Bismilla, Nicholas Kuzma, Jennifer K. O’Toole, Sharon Calaman

Notice bibliographique

RevueMedEdPublish · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensSickKids FoundationHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésLeverage (statistics)ModalitiesVirtual learning environmentCoronavirus disease 2019 (COVID-19)Instructional simulationCollaborative learningPsychologyComputer scienceEducational technologyMedical educationMultimediaMathematics educationMedicineSociologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This article was migrated. The article was marked as recommended. Met with the challenge of physical distancing during the escalation of the COVID-19 pandemic, medical educators rapidly pivoted their educational repertoires to virtual learning platforms. While selection and utilization of virtual platforms may vary amongst medical educators, elements of evidence-based educational theories, collaborative learning, and learner engagement are essential to the success of learning for any format. In this piece we outline 12 tips for virtual learning, drawing on concepts from available literature and our collective experience as medical educators. As virtual learning platforms continue to evolve, medical educators should leverage different modalities, without compromising the fundamental elements and theories that promote learner success.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,635
Score d'incertitude au seuil0,700

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,302
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedEdPublishMême sujetInnovations in Medical EducationTravaux en français237 207