Remote learning might be new, but how we can learn best is not
Notice bibliographique
Résumé
The challengeIs learning significantly different in a remote environment?As part of our institution's teaching and learning center, our team provides interactive workshops for students on learning skills, metacognition, time management, learning in your second (or third) language, a wealth of different study tactics, including how and when to use them, and more.We believe anyone can learn anything and we strive to help students learn better through our programming and resources, which are grounded in research on learning capacity building and the scholarship of teaching and learning.Before terms like social distancing, remote learning, and Zoom fatigue became part of our common vocabularynamely before March 2020our programming was primarily centered around in-person learning experiences in an active learning classroom and facilitated by trained graduate student assistants.While we also offered a couple webinars through Zoom, they were the exception.Just as for instructors and students, we needed to adapt when in-person support became impossible.Our more specific challenge concerned what exactly we might need to change to fit with the new reality of the remote teaching and learning context.We asked ourselves, how different, really, is remote learning from learning in general?Are we facing a crisis of content?Will the strategies that worked for students before no longer apply?After wrestling with this as Hanson and Liepins Remote learning might be new, but how we can learn best is not
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,013 |
| Communication savante | 0,009 | 0,037 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,052 | 0,013 |
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 ».