Notice bibliographique
Résumé
spectrum of terms including remote,distance, blended and massive on line courses (MOOCs)capture the latest trends in teaching/learning from JK tothe Ph.D. level. These pedagogical approaches involvecombinations of face-to-face, asynchronous, andsynchronous delivery of courses to class sizes that cansurpass 300,000 students per offering. MOOCs, typicallyasynchronous, represent an attractive delivery paradigmfor small and large institutions alike as economies of scalehold out visions of significant cashflows, promotion of aSchool’s brand to previously unreachable audiences,democratization of higher education, and enrichment of theplanet’s knowledge capital. MOOCs, however, are notwithout their challenges including: significant commitmentand up-front costs, wading into uncharted territory,defense of academic integrity/brand image, handling ofhands-on laboratory content and poor completion rates.From students’ perspectives, MOOCs present an attractiveand viable alternative permitting study in the convenienceof their home accessing resources from the world’s finestacademic institutions at competitive costs. This paper willexamine the concept of MOOCs with a focus on coursecompletion rates (dependent variable) as a function ofclass size, academic discipline, evaluation methods,delivery platform and course duration (independentvariables). The presented data set (n= 111) is partitionedinto three knowledge domains: engineering, managementand others to quantify completion rate differences acrossthe three identified categories, with emphasis on theengineering discipline. The paper will also present bestpractices for delivering engineering courses/labs based ona MOOCs model. Lessons learned from blended/distancecourse delivery experiences at McMaster University,Bachelor of Technology Program, are extended into theMOOC environment.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| 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 ».