Personalizacija v virtualnem učnem okolju Moodle: študija primera Arnes Učilnice
Bibliographic record
Abstract
IZVLEČEK: Izobraževalni sistem naj bi zagotavljal inkluzivno učno okolje, kjer je vsak posameznik pomemben in upravičen do enakih možnosti.V članku predstavljamo dejavnosti in funkcionalnosti virtualnega učnega e-okolja Moodle, in sicer na študiji primera e-učilnice, pri kateri smo analizirali potencial za zagotavljanje inkluzivnega učnega okolja, ki temelji na ideji personaliziranega učenja.Pri izvedbi izobraževanj v e-učilnici v Moodlu smo analizirali dejavnosti in funkcionalnosti glede na naslednje kriterije: a) omogočanje aktivnega ustvarjanja vsebin, b) podpora za različne učne stile (ustvarjanje različnih gradiv glede na učni stil), c) omogočanje načrtovanja izobraževanja glede na interese udeleženca izobraževanja, d) omogočanje komunikacije med udeleženci izobraževanja in izvajalci, e) omogočanje sprotnega preverjanje napredka oz.znanja.Analiza je pokazala, da namestitev Moodla, ki ga uporabljajo Arnes Učilnice, zagotavlja 18 dejavnosti, s katerimi lahko podpremo personalizirano učenje.Na podlagi različnih učnih stilov to omogoča 17 dejavnosti, 6 dejavnosti omogoča sprotno preverjanja znanja in napredka, prav tako 6 dejavnosti omogoča aktivno ustvarjanje vsebine, načrtovanje izobraževanja in lastne interese pa podpira 24 dejavnosti oz.funkcionalnosti.Arnes Učilnice vsebujejo 8 dejavnosti, ki omogočajo komunikacijo oz.izgradnjo lastne mreže med udeleženci.V Arnes Učilnicah je na voljo 7 funkcionalnosti, s katerimi lahko uspešno načrtujemo izvedbo personaliziranega učenja.Iz rezultatov sklepamo, da orodja v Moodlu omogočajo personalizacijo izobraževanja, kar je pomembno za nadaljnji razvoj izobraževanja in razvoj orodij, s katerimi želimo izboljšati kakovost izobraževalne izkušnje v tem virtualnem učnem okolju.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".