Creating Communities of Inquiry in Research and Scholarship Via Online Videos
Notice bibliographique
Résumé
Fostering a sense of community in postsecondary education is challenging. Accomplishing this from a distance via online education makes it even more difficult by inserting an additional layer of complexity. The COVID-19 pandemic necessitated a rapid shift to increased remote communication, collaboration, and research dissemination. Drawing on my experience as both an online instructional designer and a doctoral student who began my PhD amid a global pandemic, I use Garrison et al.’s community of inquiry (CoI) framework to explore how online videos and webinars (both synchronous and asynchronous) can be used to foster a sense of community, inspire learning, and support research sharing in virtual environments. RÉSUMÉEncourager un sentiment de communauté dans l’enseignement postsecondaire est un défi. Le faire à distance par l’enseignement en ligne est encore plus difficile car on ajoute un niveau supplémentaire de complexité. Or, la pandémie de COVID-19 a rapidement augmenté le besoin de communiquer, de collaborer et de diffuser la recherche à distance. Dans cet article, en m’appuyant sur mon expérience de conceptrice d’enseignement en ligne et d’étudiante de 3e cycle ayant commencé son doctorat au milieu de la pandémie, j’utiliserai le modèle de la communauté d’enquête de Garrison et al. pour explorer comment on peut utiliser les vidéos en ligne et les webinaires (synchrones et asynchrones) pour favoriser un sentiment de communauté, inspirer l’apprentissage, et soutenir le partage de la recherche dans des environnements virtuels.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,012 |
| Communication savante | 0,016 | 0,020 |
| Science ouverte | 0,003 | 0,019 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».