Perceived Academic Achievement and Social Integration in the Context of Social Software : a Comparative Study on Canadian and Chinese University Students
Bibliographic record
Abstract
Aujourd’hui, les logiciels sociaux sont très populaires parmi les étudiants universitaires en Amérique du Nord (par exemple, Facebook et Twitter) et en Chine (par exemple, QQ, WeChat et Sina Weibo). Ces logiciels sont devenus facilement accessibles partout, en particulier grâce à des appareils mobiles. Il convient de noter que ces modèles d’utilisation de logiciels sociaux et de logiciels sociaux utilisés au Canada et en Chine sont différents les uns des autres. Le but de cette étude est de comparer les similitudes et les différences dans les habitudes d’utilisation des logiciels sociaux entre les étudiants universitaires canadiens et chinois. De plus, comment leurs enseignants utilisent les logiciels sociaux pour promouvoir le succès scolaire de leurs élèves. L’auteur a constaté que les groupes de cours et de class sur Facebook pouvaient promouvoir directement l’intégration scolaire des étudiants canadiens. En outre, les groupes de cours et de cours QQ pourraient jouer un rôle important dans l’intégration sociale des étudiants chinois, ce qui favorise indirectement leur réussite scolaire. Sur la base d’une analyse des données de recherche qualitative, l’auteur espère faire quelques suggestions utiles pour les éducateurs lorsqu’ils conçoivent des curriculums. Au cours des dernières années, de nombreuses universités au Canada ont attiré un nombre croissant d’étudiants internationaux chinois. Les résultats de l’étude peuvent avoir un impact positif sur les stratégies chinoises de recrutement d’étudiants internationaux.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.007 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".