Institutional Culture and OER Policy: How Structure, Culture, and Agency Mediate OER Policy Potential in South African Universities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p>Several scholars and organizations suggest that institutional policy is a key enabling factor for academics to contribute their teaching materials as open educational resources (OER). But given the diversity of institutions comprising the higher education sector—and the administrative and financial challenges facing many institutions in the Global South—it is not always clear which type of policy would work best in a given context. Some policies might act simply as a “hygienic” factor (a necessary but not sufficient variable in promoting OER activity) while others might act as a “motivating” factor (incentivizing OER activity either among individual academics or the institution as a whole).</p><p class="1">In this paper, we argue that the key determination in whether a policy acts as a hygienic or motivating factor depends on the type of institutional culture into which it is embedded. This means that the success of a proposed OER-related policy intervention is mediated by an institution’s existing policy <em>structure</em>, its prevailing social <em>culture </em>and academics’ own <em>agency</em> (the three components of what we’re calling “institutional culture”). Thus, understanding how structure, culture, and agency interact at an institution offers insights into how OER policy development could proceed there, if at all. Based on our research at three South African universities, each with their distinct institutional cultures, we explore which type of interventions might actually work best for motivating OER activity in these differing institutional contexts.</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.
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 | 0,001 | 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 | 0,001 | 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 découle