Learning in school, home and community : ICT for early and elementary education : IFIP TC3/WG3.5 International Working Conference on Learning with Technoloies in School, Home an Community, June 30-July 5, 2002, Manchester, United Kingdom/ edited by Gail Marshall, Yaacov Katz
Notice bibliographique
Résumé
Preface. Part One: Learning. Learning in school and out: Formal and informal experiences with computer games in mathematical contexts N. Yelland. Using technology to encourage social problem solving in preschoolers M.B. Medvin, D. Reed, D. Behr, E. Spargo. Using electronic mail communication and metacognitive instruction to improve mathematical problem solving B. Kramarski, A. Liberman. Online searching as apprenticeship M. Pearson. The use of virtual reality three-dimensional simulation technology in nursery school teacher training for the understanding of children's cognitive perceptions Y.J. Katz. Exploring visible mathematics with IMAGINE: Building new mathematical cultures with a powerful computational system I. Kalas, A. Blaho. Cooperative networks enable shared knowledge: Rapid dissemination of innovative ideas and digital culture K. Crawford. Part Two: Teaching. Developing an ICT capability for learning S. Kennewell. Separated by a common technology? Factors affecting ICT-related activity in home and school D. Benzie. The interaction between primary teachers' perceptions of ICT and their pedagogy A.M. Loveless. Capacity building in tele-houses: A model for tele-mentoring M. Turcsanyi-Szabo. Part Three: Policy. ICT for rural education: A developing country perspective P. Hepp, E. Laval. National plans and local challenges: Preparing for lifelong learning in a digital society S. Rosvik. Learning online: E-learning and the domestic market in the UK M. Scanlon, D. Buckingham. Glimpses of educational transformation: Making choices at a turning point B.S. Somekh. How do we know that ICT has an impact on children's learning? A review of techniques and methods to measure changes in pupils' learningpromoted by the use of ICT M.J. Cox. Index.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,016 |
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 ».