Incentives and Disincentives for the Use of OpenCourseWare
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article examines Utah residents’ views of incentives and disincentives for the use of OpenCourseWare (OCW), and how they fit into the theoretical framework of perceived innovation attributes established by Rogers (1983). Rogers identified five categories of perceived innovation attributes: relative advantage, compatibility, complexity, trialability, and observability. A survey instrument was developed using attributes that emerged from a Delphi technique with input from experts in the OCW field. The survey instrument was sent to 753 random individuals between 18 and 64 years of age throughout Utah. Results indicated that the greatest incentives for OCW use were the following: (a) <i>no cost for materials</i>, (b) <i>resources available at any time</i>, (c) <i>pursuing in depth a topic that interests me</i>, (d) <i>learning for personal knowledge or enjoyment</i>, and (e) <i>materials in an OCW are fairly easy to access and find</i>. The greatest disincentives for OCW use were the following: a) <i>no certificate or degree awarded</i>, (b) <i>does not cover my topic of interest in the depth I desire</i>, (c) <i>a lack of professional support provided by subject tutors or experts</i>, (d) <i>a lack of guidance provided by support specialists</i>, and (e) <i>the feeling that the material is overwhelming</i>. The authors recommend that institutions work to transition some OCW users into degree-granting paid programs as well as adopt a marketing campaign to increase awareness of OCW. Additionally, OCW websites should make their content available to recommendation engines such as ccLearn DiscoverEd, OCW Finder, or OER Recommender and should reciprocally link to one or more of these sites.
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.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle