MétaCan
Menu
Retour à la cohorte
Enregistrement W3214170632

Short Message Service (SMS) as an Innovative Mobile Learning Approach in Malaysia

2018· article· en· W3214170632 sur OpenAlexaboutno aff
Roy Rillera Marzo

Notice bibliographique

RevueAsian journal of distance education · 2018
Typearticle
Langueen
DomaineComputer Science
ThématiqueMobile Learning in Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésShort Message ServiceMobile phoneQuarter (Canadian coin)MultimediaPhoneComputer scienceConstructiveWorld Wide WebGeographyTelecommunications
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Mobile phones usage had extensively penetrated into the world. A study done by the Malaysian Communication and Multimedia Commission (MCMC) found that in the first quarter of year 2010, the penetration rate for cellular phone in Malaysia is 121 per 100 inhabitants. Penetration rate over 100% occurs because of multiple subscriptions (Adnan, 2012). Malaysia has the second highest mobile penetration in South East Asia after Singapore (Baharom, 2013). The learners appreciated the text messages and felt that SMSes had helped them to stay focused and engaged in their studies. SMS emphasized learner-centered, where the learner can access information anytime, anywhere in order to build their skills and knowledge. SMS is also a community-centered where the learners were required to collaborate and share their views on the discussion topic enhancing constructive learning experience. This article presents the importance of SMS as an innovative approach for mobile learning in Malaysia.

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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,645
Score d'incertitude au seuil0,646

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0010,000
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 Opus0,011
Tête enseignante GPT0,292
Écart entre enseignants0,281 · 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'étudeObservationnel
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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian journal of distance educationMême sujetMobile Learning in EducationTravaux en français237 207