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
Getting a large audience to actively participate in a lecture is a challenge faced by many lecturers. The value of active participation is well supported in current research with significant contribution made by the introduction of electronic response systems (ERS). ERS allows each member of the audience to participate by using a hand-held device (like a TV remote control), responding to (usually) multiple-choice questions presented on a board. This article is introducing a new approach to the use of ERS, making the audience engage in a decision- making process based on multi-attribute utility theory (MAUT), a commonly used theory in decision making, aiming to: • Help conference participants, in a large group setting, prioritize suggestions and action items developed over the previous days of a conference, drawing on discussions held in concurrent, small group break out sessions. • Organize those suggestions/items into a prioritized list that reflects the discussions and honors individual participant voice. • Generate a list, based on the group organization process that will direct future innovation for conference participants and organizers. • Present the collective knowledge from the conference in a way that participants can see themselves as contributing partners in the conference outcome statements. This article, then, describes a case study of decision making in a large audience, keeping each participant involved in a meaningful process of an elaborated analysis of action items. The technology, the process, and the experiment are presented as a study of the feasibility of using such systems in large audiences. We introduce here the term large group decision support system (LGDSS) to describe the process of using technology to assist a large audience in making decisions.Request access from your librarian to read this chapter's full text.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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