MétaCan
Menu
Retour à la cohorte
Enregistrement W3177941549 · doi:10.24908/pceea.vi0.14870

CULTIVATING COMMUNITIES OF PRACTICE ON A NATIONAL SCALE TO SUPPORT THE SHIFT TO REMOTE EDUCATION

2021· article· en· W3177941549 sur OpenAlexafffundvenueabout
Stephen Mattucci, Elizabeth DaMaren, Cori Hanson, Rubaina Khan, Renato Rodrigues

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovative Education and Learning Practices
Établissements canadiensUniversity of ManitobaUniversity of TorontoYork University
Organismes subventionnairesMemorial University of NewfoundlandDalhousie UniversityYork UniversityÉcole de technologie supérieureLakehead UniversityQueen's UniversityUniversity of TorontoUniversité de SherbrookeUniversité de MonctonUniversity of WindsorUniversity of ReginaMcGill UniversityUniversity of Ottawa
Mots-clésProcess (computing)Principal (computer security)Scale (ratio)SociologyCoronavirus disease 2019 (COVID-19)Public relationsPedagogyKnowledge managementPolitical scienceComputer scienceGeography

Résumé

récupéré en direct d'OpenAlex

Educational innovations and just-in-time supports spread more quickly through social networks thanthrough traditional dissemination avenues. Therefore, in coordinating national level support efforts for the shift to online and remote learning during the COVID-19 pandemic, one of the principal strategies of theEngineering Collaboration for Online and Remote Education (E-CORE/CIEL) Project was to developnational Communities of Practice (CoPs) to foster connections between instructors. Using an autoethnographic process, this reflective paper aims to synthesize the learnings from the team working to cultivate these CoPs. The analysis of the reflections provides insight on: the needs of the Canadian community of engineering educators during a year of remote education, the perceivedbenefits of engaging in CoPs, considerations for cultivating CoPs in different contexts, andrecommendations for future cross-institutional CoP efforts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,053
Score d'incertitude au seuil0,105

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0120,008
Communication savante0,0080,005
Science ouverte0,0030,018
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,344
Écart entre enseignants0,317 · 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 source (Gemma direct ou Codex distillé), 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

Citations1
Publié2021
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetInnovative Education and Learning PracticesTravaux en français237 207