A Systematic Literature Review on Trends in the Use of Science Experiments in Online Learning Environments
Notice bibliographique
Résumé
Experiments are considered to be essential components of science learning. This research aimed to investigate trends in the use of science experiments in online learning. A systematic literature review was carried out, with data sourced from the Scopus and Google Scholar databases. The reviewed documents were journal articles published between 2015 and 2022, with the keywords “science practicum,” “science experiments,” “distance learning,” “online learning,” and “hands-on science.” Using Harzing’s Publish or Perish software, 970 articles were found but only 32 were reviewed. The literature review followed a procedure adapted from the preferred reporting items for systematic reviews and meta-analyses (PRISMA), with articles reviewed based on predetermined criteria such as the year of publication, article source, practicum topics, research subjects, assessment methods, technology, and experiment design in online learning. In the results, various designs for online learning models, the technology used in science experiments, topics addressed, and appropriate assessment methods were identified. Trends included the extensive use of interactive simulation models in online science experiments, the use of virtual laboratories as a crucial technology, and the use of experiment reports to assess students. The analysis showed a sharp increase in the number of publications since the pandemic (2020) and that online science experiments might be carried out effectively by considering the characteristics of the material, matching the science curriculum, and using assessments that fulfill the objectives of science experiments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,041 | 0,170 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,030 | 0,028 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».