Critical Success Factors in The Infusion of Instructional Technologies for Open Learning in Development Settings:
Notice bibliographique
Résumé
<P class=abstract>This article seeks to identify critical success factors for the appropriate infusion of instructional technologies to advance open learning in higher education within developing settings. Describe here is a descriptive account of a two-year case study based on the author’s personal analysis of, and reflection on, factors that contributed to the infusion of instructional technologies to advance open learning at the University of Botswana. The first critical success factors identified in this article include: a clear vision, support of committed leadership, and dedicated personnel/ change agents to ensure successful project implementation. The second critical success factor identified was the need for all involved to fully appreciate and understand the systemic nature of the infusion of instructional technologies for open learning purposes, as well as garner the commitment of strategic partners working in related systems. Finally highlighted, are the requirements needed to address the complex nature of the infusion of instructional technologies into the University’s educational offerings. It is hoped that those involved in education in developing countries, and particularly those desirous of advancing open learning through the use of instructional technologies, will find this descriptive analysis useful. Indeed, those of us involved in implementing instructional technologies in developing nations are still in the initial stages of this exciting yet challenging endeavour.
 </P>
 
 <P><B>Key terms:</B> infusion, open learning, instructional technologies, critical success factors, developing settings, Botswana, LASO model</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 | 0,034 | 0,085 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».