Massive Open Online Courses as a Tool for Global Animal Welfare Education
Notice bibliographique
Résumé
Animal Behaviour and Welfare was a Massive Open Online Course (MOOC) hosted on Coursera as a free introductory animal welfare course. Through interrogating Coursera data and pre-/post-course student experience surveys, we investigated student retention, student experience, changes in attitudes, and changes in knowledge. The course ran for 5 weeks, and 33,501 students signed up, of which 16.4% (n=5,501) received a Certificate of Achievement, indicating they had completed all assessments within the course. This retention rate is above the industry standard of 10%; however, the value of retention rate as a metric to judge MOOC success is questionable. Instead, we focus on demographics, with Coursera data estimating that 41% of learners came from Europe, 35% from North America, 11% from Asia, 6% from Oceania, 5% from South America, and 2% from Africa. Most learners had completed an undergraduate degree. Despite this wide range of backgrounds, 57.2% of post-course respondents (n=2,399) strongly agreed that the information presented was at the right level and 64.9% strongly agreed that the course was interesting. After completion, more students (χ(2)[4]=132.40, p<.001) understood that animal welfare was based on the results of scientific study, and significantly fewer students (χ(2)[4]=361.32, p<.001) felt health was the most important part of animal welfare. Overall, learners agreed the course was enjoyable and informative, and 97.9% felt the course was a valuable use of their time. We conclude that MOOCs are an appropriate vehicle for providing animal welfare learning to a wide audience, but require a significant level of investment.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».