Equity, pedagogy and inclusion. Harnessing digital technologies to support higher education access and success
Notice bibliographique
Résumé
Australia is striving to reach a 20 per cent across-the-board higher education target participation rate for students from low socio-economic backgrounds by 2020. This paper focuses on enabling higher education access for students who might otherwise be excluded by complex socio-economic circumstances. Digital learning and communication tools provide a vital pathway to higher education and a means of re-engineering pedagogies to better meet students’ learning needs, especially when students cannot access regular on campus face-to-face teaching. On-line learning enables both access to higher education and effective ways of engaging students with learning, especially those who are isolated by location or by circumstances associated with work and family commitments. This paper focuses on broad-brush factors students say supported their study success while undertaking an externally delivered, on-line teaching degree. It reports on students’ decision to study and their subsequent on-line study experiences, progression and outcomes. Analyses of students’ perceptions indicated the value of on-line pedagogy supported by ‘face-to-face’ interaction (albeit at a distance) with academics. While students wanted to study externally and on-line and in their ‘own time’ and at their own ‘pace’, all valued a personal, on-going relationship with their lecturer, teacher or other university-based mentor. Overwhelmingly, students , found the on-line learning relatively straightforward to navigate, practical and rewarding, but all wanted conversations with a “real person” although this could be on the phone, in a video conference/Skype situation or as part of a remote site ‘tutorial’ or consultation.
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 | 0,003 | 0,000 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| 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 ».