University of Toronto instructors’ experiences with developing MOOCs
Notice bibliographique
Résumé
We interviewed eight University of Toronto (U of T) instructors who have offered MOOCs on Coursera or EdX between 2012 and 2014 to understand their motivation for MOOC instruction, their experience developing and teaching MOOCs, and their perceptions of the implications of MOOC instruction on their teaching and research practices. Through inductive analysis, we gleaned common motivations for MOOC development, including expanding public access to high quality learning resources, showcasing U of T teaching practices, and attempting to engage MOOC learners in application of concepts learned, even in the face of constraints that may inhibit active learning in MOOC contexts. MOOC design and delivery was a team effort with ample emphasis on planning and clarity. Instructors valued U of T instructional support in promoting systematic MOOC design and facilitating technical issues related to MOOC platforms. The evolution of MOOC support at U of T grew from a focus on addressing technical issues, to instructional design of MOOCs driven, first, by desired learning outcomes. Findings include changes in teaching practices of the MOOC instructors as they revised pedagogical practices in their credit courses by increasing opportunities for active learning and using MOOC resources to subsequently flip their classrooms. This study addresses the paucity of research on faculty experiences with developing MOOCs, which can subsequently inform the design of new forms of MOOC-like initiatives to increase public access to high quality learning resources, including those available through U of T.
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 | 0,002 | 0,006 |
| 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 | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».