Assessment of Quipper as Learning Management System of Saint Paul University Surigao
Notice bibliographique
Résumé
ABSTRACT: A school learning management system (LMS) is extremely important in the current educational landscape since it transforms how educational institutions administer and deliver their courses. LMS gives educators a strong platform to produce, organize, and distribute instructional content while enabling students to access resources, participate in interactive learning activities, and collaborate with peers by seamlessly integrating technology into the learning process. This study was conducted to assess the level of utilization, level of satisfaction, and level of effectiveness with Quipper as an LMS in Saint Paul University Surigao (SPUS), Surigao City, Philippines. The research design was quantitative, and researchers used a survey questionnaire to gather data from the college faculty of SPUS during the academic year 2022-2023. To ensure reliable results, 33 college teachers were purposefully and conveniently chosen as respondents. The data were analyzed using various parametric and non-parametric statistical tools considering the normality of the data. The study revealed that variables such as sex, age, department, highest educational attainment, and years of teaching experience did not significantly impact Quipper's utilization and satisfaction among teachers. The profile of college faculty members also did not significantly affect Quipper's effectiveness as a learning management system. However, the department variable significantly influenced Quipper's performance, with frequent utilization leading to higher satisfaction and effectiveness. Overall, Quipper was widely used, effective, and met the needs of the college faculty at SPUS. The study suggested room for improvement, and the administration could establish clear implementation goals, offer incentives to consistent users, provide proper training and guidance, and encourage teachers to explore more features to better support students' 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 | 0,001 | 0,004 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».