Social presence in technology-rich learning environments: how real we are feeling connected and how does it matter for learning?
Notice bibliographique
Résumé
Purpose Social presence (SP), which refers to individuals’ perception of others being engaged as “real people” in the same situation, is a crucial component in technology-rich learning environments (TREs). This study aims to identify major learning design, antecedents and outcomes of SP within TREs, and identify common findings from the past two decades. Design/methodology/approach Following Preferred Reporting Items for Systematic Reviews and Meta-Analyses review principles and a qualitative analysis of selected articles, a final review of 72 studies that met inclusion criteria was obtained. Key information, including education level, discipline, sample size, study type and measurements, was extracted and studies were further analyzed and synthesized based on design features and learning modes. Findings The study identifies five crucial factors for instructional design to foster SP in TREs: technology affordances, multimedia features, social factors, instructional principles, learner characteristics and learning management systems. The authors compare two learning modes across three dimensions and identify popular technologies used in studies related to SP over the past two decades. Practical recommendations are provided for educators and educational technology developers to enhance SP within technology-rich learning environments. Originality/value This research contributes to the discourse on online learning and computer-supported communication, particularly in the post-COVID-19 era. By examining factors influencing SP and providing implications for instruction and educational technology development, this study offers evidence-based support to educators for engaging learners and fostering authentic learning experiences through adaptive selection of educational technologies.
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 | 0,011 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».