Adaptive Digital Project-Based Learning Model with Artificial Intelligence Technology to Promote Digital Creations
Notice bibliographique
Résumé
This research aims to develop an adaptive digital project-based learning model enhanced with artificial intelligence technology to facilitate the creation of digital content. A systematic approach was employed, divided into three phases: 1) study and synthesis of conceptual frameworks to understand the elements and relationships of related concepts, 2) design of a learning model that integrates artificial intelligence technology with digital project-based learning, and 3) evaluation of the designed model by nine experts. The participants are nine experts with knowledge and abilities in teaching and learning design and development from various institutions, selected through purposive sampling. The research findings found that 1) the developed model consists of four main components: adaptation, digital, project, and learning, with a seven-step learning process (identify topics and analyze learning needs, collect and analyze data using digital tools, design digital project plans, implement learning and create personized learning pathways, create creative digital works, share online, and reflect for evaluation) focused on adapting to learners' needs, and 2) the overall suitability of the A-DPL model with artificial intelligence technology is at highest level (mean = 4.70, SD = 0.22). This indicates that the learning model is characterized by the integration of project-based learning with digital technology and artificial intelligence, providing learners with a personalized learning experience while promoting creative thinking and digital skills that can effectively respond to educational challenges in the 21st century.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».