Smartphones as Alternatives to Computers for Learning and Collaboration in a Multinational Disability-Inclusive Community of Practice
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For decades, computers have facilitated many complex tasks, but not everyone has access, especially in low-income countries. However, the current affordability and increasing use of smartphones make them a good alternative for education and research collaboration. This Partnerships for Inclusive Research and Learning (PIRL) study explores smartphones' role in learning and research collaboration in a multinational community of practice (CoP) involving participants in the Global South and the Global North. The PIRL study used a survey and interviews to realize the optimal use of information and communication technologies (ICTs) in a CoP for knowledge provision, research, and professional development in a disability-inclusive development (DID) context. The CoP included some academic and community researchers with disabilities. Survey results showed that 50% of the PIRL CoP participants from African countries cannot use computers as much as wanted because they are unaffordable or lack reliable or affordable internet. All respondents from the Global North could use the internet and computers as much as they wanted, results that reflect the digital divide. Since PIRL CoP participants in the Global South are disadvantaged in computer use, they turn to more affordable smartphones for collaboration and learning. However, small devices challenge the performance of complex tasks like collaborative writing, coding interview transcripts, and contributing effectively to teamwork. This study provides some recommendations to improve collaboration in such situations.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle