MétaCan
Menu
Retour à la cohorte
Enregistrement W4253708500 · doi:10.32920/ryerson.14636658

Social Media for Informal Learning: a Case of #Twitterstorians

2021· preprint· en· W4253708500 sur OpenAlexafffund
Priya Kumar, Anatoliy Gruzd

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésSocial mediaSchema (genetic algorithms)Informal learningComputer scienceSocial learningCoding (social sciences)SociologyKnowledge managementWorld Wide WebPedagogySocial science

Résumé

récupéré en direct d'OpenAlex

Open, online environments like social media are now a mainstay of life-long informal learning. Social media like Twitter help people gather information, share resources, and discuss with other participant-learners with similar interests. This paper seeks to test and validate the ‘learning in the wild’ coding schema in the context of discussions on Twitter, an approach first developed for studying learning communities on Reddit. The schema considers how participant-learners are leveraging social media to facilitate self-directed informal learning practices, exploratory dialogue, and communicative exchanges. We apply the coding schema on a sample of tweets (n=594) from the History Twittersphere community (#Twitterstorians) to provide a more nuanced understanding of the different kinds of discursive practices, resource exchanges, and ideas being shared and communicated outside traditional classroom settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,543
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,115
Tête enseignante GPT0,437
Écart entre enseignants0,322 · 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 tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

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

En bref

Citations5
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetInnovative Teaching and Learning MethodsTravaux en français237 207