Validating an Online Learning Dexterity Survey of University Students’ Online Learning Competence
Notice bibliographique
Résumé
Abstract Competent online learners have dexterity as they can manoeuvre a wide range of learning technologies and online learning strategies to learn successfully. In this study, we approach university students’ online learning competence as ‘online learning dexterity’ or an ability to manage different aspects of online learning with appropriate technological and pedagogical strategies. Aligning with emerging visions of more individualised, flexible, multi-modal, and community-driven experiences through online learning in universities, we operationalised an Online Learning Dexterity Survey instrument that assesses online learning competence through six dimensions: (1) asynchronous learning dexterity (2) synchronous learning dexterity (3) self-directed learning dexterity (4) online collaboration dexterity (5) learning technologies dexterity, and (6) learning access dexterity. Construct validity was established through confirmatory factor analysis of responses from 273 university students and discriminant validity was established through cluster analysis. The three-cluster solution show that learning technologies dexterity and learning access dexterity can be used to identify student profiles with lower confidence in their technical competencies but the other dimensions reveal students’ pedagogical challenges with managing learning, online collaboration, and different online learning modalities. The contributions of online learning dexterity factors to improving the assessment and development of university students’ online learning competency are 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.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».