PREFACE Technology for learning: how it has changed education
Notice bibliographique
Résumé
The Author(s) 2014. This article is published with open access at Springerlink.com As a result of the digital revolution we have experienced in the last 25 years, a range of new teaching and learning formats is available, from e-modules, sophisticated simulations and serious games, to online collaborative learning. In this special issue, we cover several of these promising new formats of technology-enhanced learning (or e-learning or online learning), referring to the use of internet technologies to deliver a broad range of solutions that enhance knowledge and performance [1, 2]. For health care and medical education, with its growing demands on physicians competencies and decreasing supply of hospital-based patients [3], flexible, scalable and engaging learning opportunities are essential to meet the new demands. Traditional models of classroom-based learning as dominant training model no longer meet the current needs of health care institutions [4]. The role of technology-enhanced learning in health education has grown rapidly; over 90 % of medical schools in the USA and Canada use online course materials for medical education [5]. Although some people state that because of the technological change ‘today’s students are no longer the people our educational system was designed to teach ’ [6, p. 1], there is little evidence that students enter university with demands for new technologies that teachers cannot meet [7]. Selection and use of formats (such as e-modules or simulations) in technology-enhanced learning should be based on informed choices of effectiveness and costs, with instructional objectives being in the lead.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,061 | 0,028 |
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 ».