An empirical framework for mainstreaming OER in an academic institution
Notice bibliographique
Résumé
Purpose There is immense potential in open educational resources (OER) for encouraging systemic change within academic institutions toward increasing access and equity in education. The purpose of this paper is to propose an empirical framework and a checklist for mainstreaming OER in an academic institution. Design/methodology/approach The empirical framework and the mainstreaming checklist is formulated based on an extensive review of literature and case studies strengthened by the author’s personal experience as an academic, researcher, practitioner, policymaker and international development expert in the field of OER. Findings The proposed empirical framework and OER mainstreaming checklist identifies several processes to be completed by key stakeholders for successful mainstreaming of OER in an academic institution. Practical implications The proposed framework assumes that the institution which is undergoing mainstreaming of OER follows the principles of outcomes-based education and that it has an established mechanism for measuring the mastery of learning outcomes and the role of OER in accreditation. Originality/value One key feature of the framework is its horizontal structure where stakeholders take a team-based approach to completing the required tasks for mainstreaming OER. This, in turn, increases ownership of the mainstreaming process leading to higher success rates and sustainability. Second, the mainstreaming checklist breaks down each process into several achievable tasks and assigns them to the relevant team. Third, the framework supports continuous quality improvement which encourages institutions to periodically revisit the processes to make necessary course corrections and enhancements.
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 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».