Instructor's Privacy in Distance (Online) Teaching: Where Do You Draw the Line?
Notice bibliographique
Résumé
The exponential growth of distance learning provision in the past forty years poses pertinent and critical ethical issues. Students participating in distance education via an online course are required to recognize and resolve various ethical issues, some of which focus on the instructor's actions. The university, too, as it supports students and instructors, is ethically involved in the process. As the number of online classes continues to grow, an increasing number of articles are being written about student and program integrity but there is a notable absence of articles or research focusing on the emerging issue of institutional integrity in relation to instructors. The ideology of New DEEL’s (Democratic Ethical Educational Leadership) speaks to the ethical basis of online teaching and this paper delineates an authentic ethical dilemma for which a universalized and generalized ethical model is proposed to be usefully applied to all issues involving privacy of participants. All names are fictitious. Distance education is a discipline that subsumes the knowledge and practice of pedagogy, of psychology and sociology, of economics and business, of production and technology. (Anderson & Elloumi, 2004, Athabasca University, Canada’s Open University) There can be no doubt that much good practice has evolved in the field already, largely organically, and there are as yet few comprehensive guides available for any university or college in the United Kingdom or elsewhere venturing into the open and distance learning market. This is in stark contrast to many other professions—the practices of law and medicine, for instance, both of which are governed by explicitly formulated ethical principles (Gourley, 2007 Vice-Chancellor of the Open University, UK).
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».