Understanding Online Learning Based on Different Age Categories
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
[This Proceedings paper was revised and published in the 2019 issue of Journal of Information Technology Education: Research, Volume 18] Aim/Purpose: To understand readiness of students for learning in online environments across different age groups. Background: Online learners today are diverse in age due to increasing adult/mature students who continue their higher education while they are working. Understanding the influence of the learners’ age on their online learning experience is limited. Methodology: A survey methodology approach was followed. A sample of one thousand nine hundred and twenty surveys were used. Correlation analysis was performed. Contribution: The study contributes by adding to the limited body of knowledge in this area and adds to the dimensions of the Online Learning Readiness Survey additional dimensions such as usefulness, tendency, anxiety, and attitudes. Findings: Older students have more confidence than younger ones in computer proficiency and learning skills. They are more motivated, show better attitudes and are less anxious. Recommendations for Practitioners: Practitioners should consider preferences that allow students to configure the learning approach to their age. These preferences should be tied to the dimensions of the online learning readiness survey (OLRS). Recommendations for Researchers: More empirical research is required using OLRS for online learning environments. OLRS factors are strong and can predict student readiness and performance. These are opportunities for artificial intelligence in the support of technology-mediated tools for learning.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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