A Personal Retrospective in Exploring Educational Technologies to Aid Increasing Student Engagement: Tales from Pre-COVID-19, During the Pandemic, & Beyond
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Educational technologies (EdTech) have long been used to augment education and learning (EL) experiences in the classroom with varying degrees of success. When thoughtfully deployed, managed, and supported the utilization of EdTech can have perceived positive impacts for students and instructors. These positive experiences can include an increase in student attendance and participation, an improvement in student understanding of course content, an improvement in the ability to manage and deliver EL experiences, and an ability to provide greater fairness, freedom, and autonomy for all. From before, during, and now beyond/living with the COVID-19 pandemic, several EdTech systems, including TopHat, Quizlet, Mentimeter, Socrative, H5P, and Adobe Captivate were explored within software systems engineering courses at the University of Regina (UR). The underlying goal of this exploration was to iteratively create, deliver, and reflect upon which technologies could lead to more positive EL experiences and outcomes and, ultimately, which technologies could help increase student engagement. This paper provides a personal retrospection on the use of these EdTech systems and the perceived pros and cons of their use over the last several years. Furthermore, as now in 2023 with academic institutions, and specifically the UR’s engineering faculty, leaning towards reverting fully to pre-pandemic operations, a discussion and reflection on the perceived benefits of a hybrid in-person/technology-facilitated approach to course design and delivery are provided. Opportunities for continued exploration are also discussed.
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.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle