ORCHESTRATING OPTIMAL BLENDED LEARNING IN THEORETICALCOURSES: A FRAMEWORK FOR ENRICHING EDUCATION
Notice bibliographique
Résumé
Blended learning, which integrates traditional classroom teaching with online components, has dramatically transformed education by increasing flexibility and improving pedagogical outcomes. This paper focuses on optimizing blended learning in theoretical courses, particularly operating systems (OS). As part of a broader initiative to enhance teaching and learning and improve Desire2Learn (D2L) accessibility using AI tools, we propose a flexible and readily implementable framework for instructors. The framework addresses three key dimensions of learning-content, context, and community-while promoting active online engagement to guide educators in fostering better student interactions. Its effectiveness was demonstrated using synthetic data across three scenarios. A comprehensive feasibility analysis reveals the framework's potential to identify gaps, address challenges, and improve outcomes by integrating various online learning strategies and AI tools. By doing so, it provides a more tailored, student-centered approach to blended learning, adapting to diverse learning needs. Additionally, the framework leverages AI to streamline course delivery, offering personalized learning paths and improving student performance metrics. The framework has important implications for educators and institutions by systematically addressing these challenges effectively. It offers a scalable and adaptable solution that not only improves engagement but also enhances the overall learning experience in both online and blended environments. Ultimately, this framework can play a crucial role in shaping the future of education by making digital learning more accessible and effective for all students.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».