Associations of Research Questions, Analytical Techniques, and Learning Insight in Temporal Educational Research
Notice bibliographique
Résumé
Learning has a temporal characteristic in nature, which means that it occurs over the passage of time. The research on the temporal aspects of learning faces several challenges, one of which is utilizing appropriate analytical techniques to exploit the temporal data. There is no coherent guide to selecting certain temporal techniques to lead to results that truthfully uncover underlying phenomena. To fill this gap, this systematic mapping study contributes to understanding the type of questions and approaches in works in the area of temporal educational research. This study aims to analyze different components of published research and explores the current trends in educational studies that explicitly consider the temporal aspect. Using the thematic coding method, we identified trends in three components, including asked research questions, utilized methodological techniques, and inferred insight about learning. The distribution of codes regarding asked research questions showed that the highest number of studies focused on method development or proposing a methodological framework. We discussed that methodological development, with the underlying theory, led to identifying learning indicators that can provide the ability to identify individual students with respect to the learning concepts of interest. In terms of utilized techniques, there was a strong trend in visualization analysis and process mining. This study found that to discover insight into learning, it is important to utilize techniques that are interpretable to characterize temporal patterns.
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 | 0,143 | 0,287 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,015 | 0,020 |
| Études des sciences et des technologies | 0,004 | 0,015 |
| Communication savante | 0,014 | 0,018 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 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 ».