Crowd Context-Based Learning Process via IoT Wearable Technology to Promote Digital Health Literacy
Notice bibliographique
Résumé
The crowd context-based learning process via IoT wearable technology [IoTW-driven Crowd context-based learning (CCBL)] is a new learning paradigm that integrates Technological Cybergogical Content Knowledge (TCACK) based on connectivism, cognitive tools and information processing theories to promote digital health literacy. In this study, the IoTW-driven CCBL was designed by incorporating content, cybergogical, and technological elements, which can become a sustainable solution in educational settings during the global COVID-19 pandemic. The researchers collected qualitative data by confirmatory focus groups from 12 experts who hold doctoral degrees or equivalent and have at least 3 years of relevant experience. The results of these studies found that the IoTW-driven CCBL involves three specific learning contents (healthcare, disease prevention and health promotion); five dynamic learning steps (context-aware alerting step; observing and questioning step; social information-seeking step; action step; and self-reflection step as all cognitive tools embedded in IoTW devices help promote all digital health literacy components); and four cognitive tools (notification tool; communication tool; searching tool; and monitoring tool). The IoTW-driven CCBL will allow learners to respond to real-life situations by utilising IoT devices to access, apprehend, appraise and apply health information from digital technologies in daily life for well-being, especially in educational 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».