The Effect of Multilingual Facilitation on Active Participation in MOOCs
Notice bibliographique
Résumé
<p>A new approach for overcoming the language and culture barriers to participation in Massive Open Online Courses (MOOCs) is reported. It is hypothesised that the juxtaposition of English as the <em>language of instruction</em>, used for interacting with course materials, and one’s preferred language as the <em>language of participation</em>, used for interaction with peers and facilitators, is preferable to “English only” for participation in a MOOC. The Hands-On ICT (HANDSON) MOOC included seven teams of facilitators, each catering for a different language community. Facilitators were responsible for promoting active participation and peer tutoring. Comparing language groups revealed a series of predictors of intention to learn, some of which became apparent in the first days of the MOOC already. The comparison also uncovered four critical factors that influence participation: facilitation, language of participation, group size, and a pre-existing sense of community. Especially crucial was reaching a sufficient number of active participants during the first week. We conclude that multilingual facilitation activates participation in MOOCs in various ways, and that synergy between the four aforementioned factors is critical for the formation of the learning network that supports a social dynamic of active participation. Our approach suggests future targets for the development of the multilingual and community potential of MOOCs.</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 | 0,006 | 0,009 |
| 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 | 0,001 | 0,000 |
| 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 ».