The Learning Object Economy: Implications For Developing Faculty Expertise
Notice bibliographique
Résumé
The evolving use of learning technologies and systems, such as learning object systems, to support more social learning environments in which learners have more agency than ever before to construct their own learning experiences is an innovation that involves both faculty and learners in a process of difficult sociocultural change. Programs of faculty support that acknowledge that faculty’s learning needs extend beyond the development of technical skills to the development of new pedagogical skills are indicated. This paper argues that the evolving concept of learning objects systems, and the "economy" that is emerging around the idea of sharable, reusable learning objects managed by repositories, presents new challenges and opportunities for our community. Faculty working with these systems may need to be supported through a personal process of reconceptualizing the nature of teaching and learning within these environments. This process of personal transformation has the potential for change in institutional policy and practice, the institutional cultural change of which Tony Bates (2000) and others speak (cf. Advisory Committee for Online Learning, 2000). The Collaboration for Online Higher Education Research (COHERE) is an alliance of eight research-intensive Canadian universities that is examining these challenges through a multi-pronged research program, one focus of which is supporting faculty as they research their own practice related to technology-enhanced teaching innovations. More specifically, this paper is itself a collaboration among the COHERE partners to share our collective belief about the potential for faculty and institutional transformation through participation in these "e-learning evolutions".
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 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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».