Making distance visible: Assembling nearness in an online distance learning programme
Notice bibliographique
Résumé
<p>Online distance learners are in a particularly complex relationship with the educational institutions they belong to (Bayne, Gallagher, &amp; Lamb, 2012). For part-time distance students, arrivals and departures can be multiple and invisible as students take courses, take breaks, move into independent study phases of a programme, find work or family commitments overtaking their study time, experience personal upheaval or loss, and find alignments between their professional and academic work. These comings and goings indicate a fluid and temporary assemblage of engagement, not a permanent or stable state of either “presence” or “distance”.</p><p>This paper draws from interview data from the “New Geographies of Learning” project, a research project exploring the notions of space and institution for the MSc in Digital Education at the University of Edinburgh, and from literature on distance learning and online community. The concept of nearness emerged from the data analyzing the comings and goings of students on a fully online programme. It proposes that “nearness” to a distance programme is a temporary assemblage of people, circumstances, and technologies. This state is difficult to establish and impossible to sustain in an uninterrupted way over the long period of time that many are engaged in part-time study. Interruptions and subsequent returns should therefore be seen as normal in the practice of studying as an online distance learner, and teachers and institutions should work to help students develop <em>resilience</em> in negotiating various states of nearness. Four strategies for increasing this resilience are proposed: recognising nearness as effortful; identifying affinities; valuing perspective shifts; and designing openings.</p>
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».