Instructional Strategies and Learning Technologies to Support Student Learning
Notice bibliographique
Résumé
The use of learning technologies is prevalent in post-secondary education and can provide opportunities for learning in different ways (Bernardo & Duarte, 2020; Johnson etal., 2014). Integration of learning technologies requires an understanding of learning technologies within the context of “what it takes to learn” (Laurillard, 2009, p. 7) in a postsecondary environment.In this study, a generic qualitative research approach was used to explore instructional strategies and learning technologies instructors used in their teaching. Purposeful sampling was used to select 12 instructors teaching at a university in Alberta. Recorded interviews obtained in-depth information about the experiences of instructors. I used a self-reflexive journal to document my opinions and as a way to review and refine my research. Laurillard’s Conversational Framework (2009, 2013) was used as a theoretical framework. Data analysis identified themes pertinent to my research question and theoretical framework.Instructors used a variety of instructional strategies and learning technologies to present concepts to students, design opportunities for students to clarify their understanding of course concepts, and create engaging practice tasks. Instructors integrated learning technologies into their teaching in ways that recognized the benefits of learning technologies and non-technological strategies.A learning-centred framework was created to capture themes and included teacher and student conceptions, safe teaching and learning environments, learning technologies, and workload. I provided recommendations for university administrators, instructors, professional development leaders, and researchers and concluded with additional questions around policy and practice.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».