Notice bibliographique
Résumé
With the introduction of screen media and 1:1 devices in the classroom, educators are finding themselves in a unique position; navigating new technological platforms, changing their teaching methods and pedagogy to adapt, and oftentimes, competing for their students’ attention. Some important factors for classroom implementation and practice are the need for learner preference, differentiation, high quality applications, and a complementary balance between traditional methods of learning and the usage of screen media. Many teachers have observed the benefits of adopting new technology, but have concerns with its integration. Classrooms in the United States have undergone a significant change because of the use of screen media, including laptop computers (i.e. Chromebooks), and digital textbooks. While using technology in the classroom is undoubtedly not a novel concept, utilizing technology in place of traditional textbooks is relatively new. The motivation for this article was my personal experience and interest in technology for learning purposes. I have taught middle school students for 16 years, and throughout this time I have seen technology substitute traditional textbooks in various subject areas. Additionally, I have seen the effects of reading from a paper source and from screens, as well as the various strategies learners apply while using both to process the information. As a lifelong learner, I remain abreast of the most recent studies and advice on literacy for children, as well as technology use with adolescents. I incorporate best practices in my classroom. This article will provide ideas that have proven successful, not only in my classroom, but also in empirical research. Keywords: Screen media, differentiation, pedagogy, Chromebooks
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 | 0,003 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».