MétaCan
Menu
Retour à la cohorte
Enregistrement W7095676707

A R O U

2016· article· en· W7095676707 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced Electron Microscopy Techniques and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFlexibility (engineering)Lifelong learningArgument (complex analysis)AffordanceLegislationHigher educationWorking timeCompulsory education
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

There are several dimensions to the time factor in e-learning: 1. The time of the learner. 2. The time of the learning activity. 3. The time affordances of different media and technologies. I will discuss each briefly. THE TIME OF THE LEARNER This is perhaps the best understood factor in e-learning. One reason why e-learning is increasing rapidly, at least in North America, is because of the flexibility, particularly regarding time of study, that e-learning affords. Because of increases in tuition fees (inevitable given the increased access to higher education and reluctance to increase taxes to pay for this), more and more students are working at least part-time to pay for their initial undergraduate and graduate education. Furthermore, because of the demands of knowledge-based occupations such as health, telecommunications and computer software engineering, there is increasing demand from lifelong learners to return for postgraduate studies and continuing education. Thus increasingly students are combining work, family and study. Online learning is clearly providing the flexibility that such students need. It does this by allowing them to shift studying to times that are most convenient for them. A recent study by Statistics Canada (2009) found as many students over 24 years of age taking education or training programs as those under 24 in Canada, which probably accounts for the increasing demand for e-learning. However, such data needs more close examination and breaking down by type of program and institution. Thus while there is plenty of research to support the argument that e-learning provides increased flexibility for especially adult learners (e.g. the Sloan Commission studies) there is still room for more research on exactly what demographics are best served by e-learning, in terms of flexibility, and the implications of this for course and program design.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,607
Score d'incertitude au seuil0,000

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0040,002
Communication savante0,0060,003
Science ouverte0,0010,005
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,3930,231

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,308
Écart entre enseignants0,303 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Electron Microscopy Techniques and ApplicationsTravaux en français237 207