Using social annotation to construct knowledge with others: A case study across undergraduate courses
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
<ns7:p> <ns7:bold>Background:</ns7:bold> Social annotation (SA) is a genre of learning technology that enables the addition of digital notes to shared texts and affords contextualized peer-to-peer online discussion. A small body of literature examines how SA, as asynchronous online discussion, can contribute to students’ knowledge construction (KC)—or a process whereby learners collaborate through shared socio-cognitive practices. This case study analyzed how SA enabled student participation in seven KC activities, such as interpretation and elaboration. </ns7:p> <ns7:p> <ns7:bold>Methods:</ns7:bold> We analyzed 2,121 annotations written by 59 students in three undergraduate courses at a Canadian University in the first months of 2019. Using a method of open coding and constant comparison, we coded each annotation for evidence of KC activities. </ns7:p> <ns7:p> <ns7:bold>Results:</ns7:bold> Results showed a range of KC activities in students’ SA. Across courses, interpretation was the most common KC activity (40%), followed by elaboration (20%). Annotations that were part of peer-to-peer discussion included all seven types of KC activities, but some activities, such as consensus building, support, and conflict, were almost exclusively found in replies to others. </ns7:p> <ns7:p> <ns7:bold>Conclusions:</ns7:bold> This study suggests that SA is a productive form of online learning through which undergraduate students in multiple disciplinary contexts can interact with peers, make sense of academic content, and construct knowledge by reading and writing together. </ns7:p>
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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