Fostering Self-Regulated Learning with H5P Technology: The Pedagogical Experiences of Educational Professionals
Notice bibliographique
Résumé
This qualitative study examined the perspectives of educational professionals on integrating H5P technology to foster self-regulated learning (SRL) in blended learning environments at a post-secondary institution in Ontario, Canada. Using a phenomenological approach, data were collected through semi-structured interviews with five educators, five instructional designers, and five educational technologists, and analyzed thematically through the lens of Zimmerman’s SRL framework. The findings highlight key challenges in fostering learners' motivational processes (e.g., self-efficacy and autonomy), metacognitive processes (e.g., monitoring and planning), and behavioural processes (e.g., strategy execution) within blended contexts. The study evaluated the pedagogical applications, limitations, and potential of various H5P tools, such as interactive books, branching scenarios, and drag-and-drop activities, in supporting SRL. While advancements in H5P functionalities were noted, significant gaps were identified in aligning the technology with SRL best practices. These insights contribute to bridging gaps in literature and practice by offering actionable recommendations for optimizing H5P to enhance learners' SRL strategies. This research provides valuable implications for educators, instructional designers, and policymakers, laying the groundwork for future studies on leveraging educational technologies to support SRL in blended learning environments. Keywords: self-regulated learning; H5P technology; motivational; metacognitive; behavioural; pedagogy; blended learning Favoriser l’apprentissage autorégulé avec la technologie H5P : Les expériences pédagogiques des professionnels de l’éducation Résumé : Cette étude qualitative a examiné les perspectives des professionnels de l’éducation concernant l’intégration de la technologie H5P pour favoriser l’apprentissage autorégulé (AAR) dans des environnements d’apprentissage hybride au sein d’un établissement postsecondaire en Ontario, Canada. En adoptant une approche phénoménologique, des données ont été recueillies à travers des entretiens semi-structurés auprès de cinq enseignants, cinq concepteurs pédagogiques et cinq technologues éducatifs, puis analysées thématiquement à travers le cadre de l’AAR de Zimmerman. Les résultats mettent en lumière des défis clés pour encourager les processus motivationnels des apprenants (par exemple, l’auto-efficacité et l’autonomie), les processus métacognitifs (par exemple, la planification et l’auto-observation) et les processus comportementaux (par exemple, l’exécution de stratégies) dans des contextes hybrides. L’étude a évalué les applications pédagogiques, les limites et le potentiel de divers outils H5P, tels que les livres interactifs, les scénarios à embranchements et les activités de glisser-déposer, pour soutenir l’AAR. Bien que des progrès aient été observés dans les fonctionnalités de H5P, des lacunes importantes ont été identifiées quant à l’alignement de la technologie avec les meilleures pratiques de l’AAR. Ces résultats contribuent à combler les lacunes dans la littérature et la pratique en offrant des recommandations concrètes pour optimiser H5P afin d’améliorer les stratégies d’AAR des apprenants. Cette recherche fournit des implications précieuses pour les enseignants, les concepteurs pédagogiques et les décideurs, en jetant les bases d’études futures sur l’utilisation des technologies éducatives pour soutenir l’AAR dans des environnements d’apprentissage hybride. Mots-clés : Apprentissage autorégulé ; technologie H5P ; motivationnel ; métacognitif ; comportemental ; pédagogie ; apprentissage hybride
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 | 0,002 | 0,001 |
| 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 | 0,000 | 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 ».