MétaCan
Menu
Retour à la cohorte
Enregistrement W3152386218 · doi:10.29173/iasl8011

A Learning Object Approach for Designing Information Literacy Instructional Materials

2021· article· en· W3152386218 sur OpenAlexvenueno aff
Mark Meng

Notice bibliographique

RevueIASL Annual Conference Proceedings · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueOpen Education and E-Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLearning objectComputer sciencePersonalizationInteroperabilityContext (archaeology)Flexibility (engineering)Object (grammar)Instructional designRelation (database)Information literacyMultimediaLiteracyAffordanceHuman–computer interactionWorld Wide WebArtificial intelligencePedagogy

Résumé

récupéré en direct d'OpenAlex

The use of a Learning Object is a new concept in designing online instructional content. It values the creation of small lego-like instructional components (objects) that can be readily assembled, delivered and reused in multiple instructional and learning contexts. Unlike conventional tutorials, learning objects are designed for building a collection of learning resources that are not bound by a particular context or situation. Information literacy instruction lends itself well to the learning objects approach. With this approach, the tagging of lego-like objects allows matching objects with individual competency levels, hence provides greater flexibility and relevancy for end users. Other advantages of developing material to be reused as learning objects such as ease of update and search, customization, interoperability and increased value of content are discussed in relation to information literacy instruction.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,326
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 savante0,0020,006
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,021
Tête enseignante GPT0,267
Écart entre enseignants0,246 · 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.

Devis d'étudeQualitatif
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 revueIASL Annual Conference ProceedingsMême sujetOpen Education and E-LearningTravaux en français237 207