منصات التعلم الرقمي كأداة لتنمية المهارات التكنولوجية و تطوير جودة مؤسسات التعليم العالي الليبي
Notice bibliographique
Résumé
أجرى فريق البحث العلمي في هذه الورقة دراسات مكثفة على مدى عدة سنوات تدرسسية لمجموعة مواد جامعية لفحص كيفية استخدام تقنيات التعلم في التعليم العالي في ليبيا. وأظهرت النتائج أن هذه التقنيات لا تستخدم بطريقة منهجية وفعالة. بدلاً من استخدامها بالكامل كأدوات شاملة تسهل التعلم وتحسنه كما تم فعليا استخذام ذلك، غالبًا ما ينتهي الأمر بمنصات التعلم الإلكتروني إلى العمل كمجرد مساحات لتخزين المحتوى. وجدت الدراسات أن هناك مشكلات تتعلق بكيفية إدارة المواد الجامعية وتدريسها وكيفية استخدام التكنولوجيا في التعليم العالي. ولتحسين الأداء التعليمي، تم تقديم مجموعة من القواعد والاقتراحات لمساعدة الجامعات الليبية على استخدام التكنولوجيا بشكل أكبر وتحسين طريقة التدريس والتعلم وباقل التكاليف. وهذا من شأنه أن يجعل الجامعة أشبه بالجامعات الأخرى حول العالم. وستعمل هذه الخطة المقترحةعلى التأكد من أن كل فرد في الجامعة، بما في ذلك أعضاء هيئة التدريس والطلاب، سيتمكن من الوصول إلى منصة تعليمية جيدة عبر الإنترنت. تستخدم معظم الجامعات الآن مزيجًا من الفصول الدراسية الشخصية وعبر الإنترنت. يؤدي استخدام إطار التعلم الإلكتروني الذي يمكّن الطلاب والمحاضرين من تبادل المعرفة إلى تحسين منهجية وعمليات خدمات التعلم للطلاب. وفقًا لتجربتنا في جامعة المرقب، فإن بيئة التعلم الإلكتروني تفضل التدريس المعتمد علي شبكة الويب. يجب أن تستخدم معظم الجامعات والكليات الليبية أحدث استراتيجية للتعليم الإلكتروني لمواكبة و مراقبة سرعة الابتكار التكنولوجي في التعليم العالي ولاسيما التعليم المفتوح. الطلاب والمعلمون لهم الخبرة ما يكفي لاستخدام الإنترنت ومواقع الشبكات الاجتماعية في عصر التكنولوجيا اليوم، مما يسهل المشاركة في أي تعلم عبر الإنترنت بطريقة مباشرة للتعرف على أي نوع من سيناريوهات التدريس والتعلم عبر الإنترنت.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 tête enseignante, 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 ».