MétaCan
Menu
Retour à la cohorte
Enregistrement W4253398622 · doi:10.36510/learnland.v12i1.973

Editorial

2019· editorial· es· W4253398622 sur OpenAlexaffvenue
Lynn Butler-Kisber

Notice bibliographique

RevueLEARNing Landscapes · 2019
Typeeditorial
Languees
DomaineNeuroscience
ThématiqueNeuroscience, Education and Cognitive Function
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

There is nothing new about the ideas that learners are unique and have different propensities for understanding and communicating (Gardner, 1983(Gardner, , 2000;;Goldberger, Tarule, Clinchy, & Belenky, 1996).They construct their understanding from previous experiences (Bruner, 1960), personal beliefs and backgrounds (Berger, 1972), and learn best by doing (Dewey, 1916) in meaningful and culturally relevant, inquiry-oriented tasks (Aoki, 1993).Moreover, there is common agreement among educators, artists, and researchers, to name a few, that form mediates understanding (Eisner, 1991;McLuhan, 1964).This suggests that learners should have opportunities to receive information and communicate in a variety of mediums and modalities.There is no better time than now to experience multiple forms of communication and expression, given the current access to sophisticated technology.These basic tenets of knowing/understanding have been documented extensively and discussed and researched by educators for more than a century.Yet, educational practices are slow to catch up on how to integrate these perspectives in ways that will provide the optimal circumstances for engaging, meaningful, inclusive, and differentiated learning in all contexts.Now more than ever it has become imperative for acknowledging and scaffolding (Wood, Bruner, & Ross, 1976) different ways of knowing if educators are to address the ethical, cultural, economic, and social needs of the 21st century.Time is running out as we prepare to enter its third decade.The impetus for this issue, "Understanding Ways of Knowing: Insights and Illustrations," came from the need to address the important dimensions of learning outlined above.We hoped to give both researchers and practitioners the space in which to share innovations and illustrate different ways of constructing understanding.We were not disappointed.It is heartening to know that boundaries are being pushed in exciting ways in classroom practices at all levels of education, in research methodologies, in approaches to curriculum, in self-study/reflective work, and in professional development contexts.The contributions in this issue attest to this.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,035
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: Éditorial
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,000

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,035
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0040,001
Études des sciences et des technologies0,0040,003
Communication savante0,0090,004
Science ouverte0,0030,001
Intégrité de la recherche0,0150,016
Charge utile insuffisante (le modèle a refusé de juger)0,0350,025

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,267
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreÉditorial

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLEARNing LandscapesMême sujetNeuroscience, Education and Cognitive FunctionTravaux en français237 207