Influence of incentives on performance in a pre-college biology MOOC
Notice bibliographique
Résumé
<p>There is concern that online education may widen the achievement gap between students from different socioeconomic classes. The recent discussion of integrating massive open online courses (MOOCs) into formal higher education has added fuel to this debate. In this study, factors influencing enrollment and completion in a pre-college preparatory MOOC were explored. University of California at Irvine (UCI) students of all preparation levels, defined by math Scholastic Aptitude Test (SAT) score, were invited to take a Bio Prep MOOC to help them prepare for introductory biology. Students with math SAT below 550 were offered the explicit incentive of an early change to the biology major upon successful completion of the MOOC and two additional onsite courses. Our results demonstrate that, among course registrants, a higher percentage of UCI students (&gt;60%) completed the course than non-UCI registrants from the general population (&lt;9%). Female UCI students had a greater likelihood of enrolling in the MOOC, but were not different from male students in terms of performance. University students entering with low preparation outperformed students entering who already had the credentials to become biology majors. These findings suggest that MOOCs can reach students, even those entering college with less preparation, before they enter university and have the potential to prepare them for challenging science, technology, engineering, and mathematics (STEM) courses.</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 | 0,005 | 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 | 0,001 |
| 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 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 ».