Learning Management System (LMS) Research During 1991-2021: How Technology Affects Education
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
Learning Management System (LMS) becomes one of the learning media tools that are quite widely used, so a study is needed to know the trend of LMS development. The objectives of this study are to analyze the types of documents, languages, contributing countries, top affiliates, sponsorship funding, top productive authors, research citations, subject areas, top source titles, trend mapping visualization and top-cited 100 publications, also review some publications on LMS research over 1991-2021 using bibliometric analysis. The metadata gathered is by Scopus database and analyzed by VOSViewer within 2.689 documents. The bibliometric analysis results show LMS research has conference paper being the most widely published document type and English is the most widely used language, the country with the most publications is the United States of America. National Natural Science Foundation of China became the top funding sponsor, the top affiliate is Bina Nusantara University and the most productive authors are Graf, S. Top cited author achieved by Davis, F.D., top subject areas are Computer Science. Then, Lecture Notes In Computer Science Including Subseries Lecture Notes In Artificial Intelligence And Lecture Notes In Bioinformatics became the title of the top source. Trends of LMS research in 1991-2021 are: 1) related to E-learning; 2) implementation of learning activities and students and teachers; 3) integration of technology in learning; 4) distance learning; 5) Technology education; 6) Online learning environment; 7) Interactive learning environment.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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