How do students want to learn in online distance education? Profiling student preferences
Notice bibliographique
Résumé
<p>How do (potential) students differ in their preferences for the organization of online and distance courses and programs, can these differences be grouped into preference profiles, and are there any associations between these profiles and variables, such as achievement and dropout, that are relevant for the promotion and design of online and distance teaching?</p><p>In this study, three groups (enrolled students, <em>N</em>=1939; prospective students, <em>N</em>=296, people in the target group of the course or program, <em>N</em>=255) completed a survey consisting of 28 items with which to identify their preferences. Various significant differences in preferences between the groups were found in the item scores. Exploratory factor analysis resulted in five meaningful factors that were used to create 32 preference profiles that are identified by the dichotomized scores on the factors. In this way, the profiles conserve their dimensional relationship instead of presenting profiles as distinct types. The factors in which student preferences differ are: collaboration (group work versus self-study), pacing (fixed time schedule versus flexibility in time and tempo), the degree to which the study has a practical orientation, the degree of proactive (versus reactive) teaching and a preference for indepth learning versus superficial learning.</p><p>Significant associations have been found between preference profiles and the discipline in which the student group studies, the type of program (e.g., bachelor, master), and the number of study points obtained in the last year per discipline. The results indicate that the enrolled students are more aligned to the characteristics of the teaching-learning process than the other two groups.</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 | 0,010 | 0,006 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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; 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 ».