Experience with a Massive Open Online Course in Rural Rwanda
Notice bibliographique
Résumé
<p class="Style2">The growing utilization of massive open online courses (MOOCs) is opening opportunities for students worldwide, but the completion rate for MOOCs is low (Liyanagunawardena, Adams, &amp; Williams, 2013). Partners In Health (PIH) implemented a “flipped” MOOC in Rwanda that incorporated in-class sessions to facilitate participant completion.</p><p class="Style2">In October 2013, PIH invited its employees, as well as those at the Ministry of Health, to participate in an online MOOC. Each site had at least one volunteer facilitator who accompanied participants throughout the course by providing course materials and facilitating the understanding of the online material during the weekly class sessions. Following the conclusion of the course, all participants were asked to complete an online survey.</p><p class="Style2">A total of 38 out of 62 registered participants completed the survey and of these 38 participants, 20 (52.6%) successfully finished the course. The number of in-person sessions attended was significantly associated with course completion (<em>p </em>&lt; 0.05), and 85% who successfully completed the course attended at least three of seven sessions. Sixteen (80%) participants believed that the completion of this course would help them with career advancement. Half of the participants (19 of 38, 50%) were employed with a position related to research. Other job titles included the following: nurses (4 of 38, 10.5%), a pharmacist (1 of 38, 2.6%), a clinical psychologist (1 of 38, 2.6%), a dentist (1 of 38, 2.6%), and others (10 of 38, 26.3%). The job title was not significantly related to course completion.</p><p class="Style2">Our experience, with a completion rate of over 50%, yields several lessons for incorporating MOOCs into capacity-building programs to leverage the potential of online learning in resource-limited areas.</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 | 0,003 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| 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 ».