Workshop description: Does research in ODL make a difference? If so why does it have such a low profile?
Notice bibliographique
Résumé
This workshop will be based on a series of short case studies from different parts of the world which illustrate where research has had a positive impact on decision-making in both policies and practices. Examples of where poor decisions may have been avoided if research had been undertaken will also be given. The following colleagues will contribute to this session: Som Naidu, University of Melbourne, Australia Sushmita Mitra, National Institute for Open Schooling, India Brian Sayer, University of London, UK Anne Gaskell, The UK Open University Jocelyn Calvert, Distance Education Consultant, Canada and, it is hoped, Evelyn Nonyongo from the University of South Africa Colleagues attending the session will be invited to give examples from their own experiences. A paper, which will be available at the conference, addresses the key issue of the role of research and evaluation in influencing policy and practice change and development in Open, Distance and elearning. (ODL) It takes as its hypothesis the fact that research does make a difference if well conceived and constructed and argues for this by providing recent examples of how research has made a difference across a range of institutions and countries. It reflects on the question of who should do the research, practitioners or specialized researchers. It is hoped that the paper will be of use to colleagues who may find themselves in the position of making a case for modest research expenditure to inform decision-making in their own institutions.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».