Evaluating NTU’s OpenCourseWare Project with Google Analytics: User Characteristics, Course Preferences, and Usage Patterns
Notice bibliographique
Résumé
<p class="3">As freely adoptable digital resources, OpenCourseWare (OCW) have become a prominent form of Open Educational Resources (OER). More than 275 institutions in the worldwide OCW consortium have committed to creating free access open course materials. Despite the resources and efforts to create OCW worldwide, little understanding of its use exists. This paper reports OCW project development at National Taiwan University (NTU) and investigates its use with Google Analytics. Reports include strategic plans to overcome challenges to OCW creation and implementation, the project’s growth and maturation, overall use of OCW, and possible future directions. As a result of its 5-year development and of lessons learned, the NTU-OCW experience features: (1) integrating resources on campus and established operating procedures, (2) setting course selection criteria featuring the strength of NTU and Taiwan, (3) providing coherent program support to enhance faculty participation, and (4) adhering strictly to the Creative Commons license. Data from Google Analytics was reviewed for better understanding of the use, characteristics, course preferences, and behaviors of NTU-OCW users. Results show visitors were primarily lifelong learners (65%) in informal learning settings. Statistics indicate an overall successful use of NTU-OCW for Chinese speaking users, especially in urban areas where information and communication technology is more developed. Potential impacts and future improvements are discussed, including how to promote usage of OCW courses for on and off campus users, adding rating features and indexing for customizing search, and integrating OCW into the learning management system (LMS) as part of OER.</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 | 0,007 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».