Indigenous consultancy and collaborative online international learning: thematic network on collaborative online international learning and biodiversity education across the Arctic Circle (COIL@UArctic).
Notice bibliographique
Résumé
COIL is part of the emerging field of Globally Networked Learning or Virtual Exchange, which involves educational initiatives using technology to facilitate cost-effective communication and collaboration across cultures. This type of experiential learning promotes intercultural competence, as well as the attitudes and reflective behavioural skills vital for a globalised economy. Students who undertake COIL projects use real-world scenarios to learn how to research global issues, set team objectives, coordinate different time zones and schedules, complete tasks using industry standards and globally-recognised social media platforms, overcome technological issues, negotiate differing expectations and deadlines, deal with varying degrees of engagement and reliability between teams, work remotely instead of face-to-face, and navigate communication, language and organisational challenges within and between international teams. COIL@UArctic is a new thematic network for collaborative online international learning and biodiversity education across the Arctic region. The network is designed to enable more people to harness and contribute to the growing body of knowledge, expertise, networks and pedagogical advantages COIL offers to faculty and students in the post-pandemic Higher Education context. Since October 2023, alongside partners from eastern Finland, Maine (USA), Iceland, Canada and Orkney (Scotland), an indigenous consultant from Alaska has been involved in the design and development of this thematic network to promote inclusivity in the development process and final deliverables. This paper will share key outcomes and reflections from this experience.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».