Integrative Analysis of ADDIE, ARCS, and ASSURE: Toward a Hybrid Framework for Technology-Enhanced Instructional Design
Notice bibliographique
Résumé
Through the perspective of technology integration, this research addresses the limited cross-model analysis that exists in the field of educational technology scholarship. The paper does so by methodically reviewing and comparing three notable instructional design models: ADDIE, ARCS, and ASSURE. In this review, a structured thematic synthesis is utilized to evaluate the affordances, limitations, and adaptability of each model for technology-enhanced learning in K–12, higher education, and professional development contexts. The review draws on studies that have been peer-reviewed and published between the years 2010 and 2024. These studies were retrieved from Web of Science, ERIC, and Google Scholar. According to the findings of the analysis, ADDIE provides comprehensive structural planning and iterative evaluation, but it requires a significant amount of time and resources. ARCS excels in maintaining learner motivation, but it does not have explicit sequencing for technology-rich curricula. ASSURE offers clear, technology-oriented procedural guidance, but it faces challenges in terms of scalability in settings with limited resources. For the purpose of strengthening both the theoretical and practical ability for equitable and scalable technology adoption, the research presents a hybrid framework that blends ADDIE’s systematic design, ARCS’s motivating methods, and ASSURE’s media integration processes. It offers implications that can be put into practice for the development of curricula, the preparation of teachers, and policy interventions that are aimed at fostering education that is both inclusive and enabled by technology.
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 | 0,047 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,013 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».