Integrierte e-Learning-Services als Grundlage von qualifiziertem e-Learning an Hochschulen: Das Beispiel Hannover - Braunschweig
Bibliographic record
Abstract
Die Anforderungen an Lehrende, die auf qualifizierte Weise e-Learning in ihren Lehrveranstaltungen einsetzen wollen sind erheblich. Um zu technisch, didaktisch und organisatorisch innovativen Lehr-/Lernszenarien zu gelangen, muss nicht nur der einzelne Lehrende Kompetenzen aufbauen. Auch die mit der Lehre befassten Organisationseinheiten müssen hier Entwicklungen vollziehen. Wie können die Lehrenden und deren institutioneller Hintergrund bei diesen Prozessen unterstützt werden? Im Rahmen eines Förderprogramms des Landes Niedersachsen, dem e-Learning Academic Network (ELAN), haben sich die Technische Universität Braunschweig, die Universität Hannover und die Medizinische Hochschule Hannover zu einem Netzpiloten zusammengeschlossen. Einen Teil dieses Verbundes bildet das e-Learning Service Team (eST). Der Handlungsansatz des eST zielt sowohl auf die individuelle Kompetenzbildung des einzelnen Lehrenden, unterstützt organisatorische Veränderungsprozesse und versteht sich selbst als Teil eines hochschulübergreifenden Entwicklungsprozesses, in dem Serviceeinheiten wie das eST komplementäre Aufgaben für die Hochschullehre übernehmen. Grundlage dafür bilden integrierte e-Learning-Services, also die Verknüpfung der verschiedenen Handlungsdimensionen des e-Learnings in einem Angebot, sowie ein prozessorientiertes Beratungsmodell, das Projekte und Organisationseinheiten dabei unterstützt ein so genanntes qualifiziertes eTeaching zu gestalten.25.02.2007 | Rainer ALBRECHT, Uwe FROMMANN & Thanh-Thu PHAN TAN (Braunschweig, Hannover)
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 0.010 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".