The Incorporation of Quality Attributes into Online Course Design in Higher Education.
Notice bibliographique
Résumé
A survey was designed incorporating questions on 28 attributes shown in the literature to be quality features in online academic courses in higher education. This study sought to investigate the ongoing practice of instructional designers and instructors in the United States with respect to their incorporation of these quality best practices into their design process and course content. Although most respondents indicated they included the majority of the quality attributes in courses they designed or taught, a significant number rarely or never included some of the generally accepted features shown to result in positive learner outcomes. Résumé Nous avons mené une enquête dont les questions portaient sur les 28 critères de qualité (identifiés dans le cadre d’une revue de littérature) des cours en ligne dans l’enseignement supérieur. Cette étude cherchait à faire ressortir dans quelle mesure les bonnes pratiques définies concernant la qualité sont mises en œuvre par les concepteurs pédagogiques et les enseignants, aux Etats-Unis, dans leur processus de conception des cours et le contenu de ces derniers. Bien que les répondants indiquent, pour la plupart d’entre eux, qu’ils intègrent la majorité des critères de qualité dans les cours qu’ils conçoivent ou enseignent, un nombre significatif d’entre eux n’intègre que rarement voire jamais certains de ces critères communément considérés comme ayant un impact positif sur la réussite des étudiants.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,044 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».