INSPIRED BY THE UNEXPECTED - SERENDIPITOUS LEARNING
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
Inspired by the unexpected - serendipitous learning According to Dr. Allen Tough, futurist, scientist, professor at the University of Toronto, about 80% of learning is informal rather than professionally planned. Serendipitous learning might be considered as a subset of informal learning. Formal learning is experienced in an authority-based, course-oriented school, but nowadays, with the incredibly amounts of information that are available through the Web, a special kind of learning makes its presence felt, assuming eminence's learning that is discovery based. Serendipitous learning precipitates exploratory or informal learning which is less formal than objectives-driven approaches, but is still influenced by personal experience, goals and interests. Serendipity is the effect of discovering something really interesting, whilst looking for entirely something else, in other words a completely unintended but fortunate discovery. But serendipitous learning is associated with the idea that "we are more likely to be receptive to serendipitous discovery if our minds have undergone some prior training or preparation. Preparation, training and knowledge do not guarantee serendipitous discovery, but they do increase the probability of discovery. This skill is sometimes referred to as intuitive sagacity, in which seemingly disparate pieces of information undergo a process of mental incubation and are brought together by an external catalyst such as a research query ". This article aims to investigate and reflect on the exploratory hunger of the online learning fostered by the greatest serendipity engine in the history of culture - the Web - pointing out ssome powerful implications of this view.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle