Older Adults Learning Digital Skills Together: Peer Tutors’ Perspectives on Non-Formal Digital Support
Notice bibliographique
Résumé
In later life, digital support is predominantly received outside of formal education from warm experts such as children, grandchildren, and friends. However, as not everyone can rely on this kind of informal help, many older adults are at risk of being unwillingly left without digital support and necessary digital skills. In this article, we examine non-formal digital support and peer tutoring as a way to promote digital and social inclusion through the acquisition of necessary digital skills. First, we ask: (a) What is peer tutoring, in the field of digital training, from the peer tutors’ point of view? Then, based on the first research question, we further ask (b) what are the key characteristics of peer tutoring in relation to other forms of digital support? Our thematic analysis is based on semi-structured interviews (n = 21) conducted in Central Finland in 2022 with peer tutors aged between 63 and 84. Peer tutors offered individual guidance by appointment and also supported their peers in group-based settings. Based on our study, we argue that from the peer tutors’ point of view, being a peer entails sharing an age group or a similar life situation and provides an opportunity for side-by-side learning. Although every encounter as a peer tutor is different and the spectrum of digital support is wide, these encounters share specific key characteristics, such as the experience of equality between the tutor and the tutee that distinguishes non-formal peer support from formal and informal learning.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,008 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».