Notice bibliographique
Résumé
Online learning has seen tremendous growth over the past decade in both the corporate and higher education sectors of society. This has been facilitated by rapid increases in the availability of computer- and network-based technologies for communication and sharing of information. The U.S. National Center for Educational Statistics (2003) recently reported that for the 2000-01 academic year, 2- and 4-year institutions offered over 127,000 different distance education (DE) courses and had over three million enrollments. Of the institutions offering DE courses, 90% reported using the Internet and asynchronous communication as an instructional delivery mode (National Center for Educational Statistics, 2003). In the corporate sector, the American Society for Training & Development reported record levels technology-mediated training (or e-learning) accompanied by slight decreases in face-to-face classroom training (Thompson, Koon, Woodwell, & Beauvais, 2002). At the same time, there has been an increased awareness among distance educators and researchers regarding the importance of human interaction in the learning process. These two trends have driven the study of computer-mediated communication (CMC) and computer support for collaborative learning (CSCL). Groupwork has long been an important instructional strategy used in face-to-face learning environments and is now being explored in computer-mediated environments. This article will define critical aspects of computer-mediated groupwork and outline benefits and challenges to using computer-mediated groups as an instructional strategy. Additional details for the research presented in this article can be found in full-length publications by the authors (Graham, 2002a, 2002b, 2003; Graham & Misanchuk, 2003).
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».