Notice bibliographique
Résumé
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 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».