Incentives and Disincentives for the Use of OpenCourseWare
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) no cost for materials, (b) resources available at any time, (c) pursuing in depth a topic that interests me, (d) learning for personal knowledge or enjoyment, and (e) materials in an OCW are fairly easy to access and find. The greatest disincentives for OCW use were the following: a) no certificate or degree awarded, (b) does not cover my topic of interest in the depth I desire, (c) a lack of professional support provided by subject tutors or experts, (d) a lack of guidance provided by support specialists, and (e) the feeling that the material is overwhelming. 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».