INSPIRED BY THE UNEXPECTED - SERENDIPITOUS LEARNING
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.
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 | 0,004 | 0,009 |
| 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 | 0,002 | 0,017 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».