Decision, Implementation, and Confirmation: Experiences of Instructors behind Tourism and Hospitality MOOCs
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 class="3">As the popularity of Massive Open Online Courses (MOOCs) continues to grow, studies are emerging to investigate various topics in this area. Most have focused on the learners’ perspective, leaving a gap in the literature about MOOC instructors. The current research—conducted in the field of tourism and hospitality—explored early experiences of MOOC instructors as they progressed through three stages of the innovation-decision process: decision, implementation, and confirmation. The tourism and hospitality field was chosen because its related industries contribute significantly to global employment, and training is one of their critical success factors. MOOCs possess a good potential to benefit tourism and hospitality education, yet tourism and hospitality MOOCs are under-researched. Semi-structured interviews were conducted with six instructors who offered tourism and hospitality MOOCs between 2008 and 2015. Findings revealed that: (1) the instructors’ decisions to offer MOOCs were mostly influenced by their institutes’ interests in MOOCs; (2) when the instructors implemented MOOCs, a pattern of action emerged, which included six phases and one cross-phase element—prepare, design, develop, launch, deliver, and evaluate—and across phases—support and train; (3) most instructors chose to avoid risk in their adoption and implementation of the MOOCs, staying away from innovative teaching or learning activities such as peer-review assessments and collaborative activities; and (4) half of the instructors intended to repeat the experience of teaching in the MOOCs format in the future.</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 | 0,003 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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