How Learners Participate in Connectivist Learning: An Analysis of the Interaction Traces From a cMOOC
Notice bibliographique
Résumé
<p class="3">In this research paper, the authors analyse the collected data output during a 36 week cMOOC. Six-week data streams from blogs, Twitter, a Facebook group, and video conferences were tracked from the daily newsletter and the MOOCs’ hashtag (#Change 11). This data was analysed using content analysis and social network analysis within an interpretative research paradigm. The content analysis was used to examine the technology learners used to support their learning while the social network analysis focused on the participant in different spaces and their participation patterns in connectivist learning.</p><p class="3">The findings from this research include: 1) A variety of technologies were used by learners to support their learning in this course; 2) Four types of participation patterns were reveled, including unconnected floaters, connected lurkers, connected participants, and active contributors. The participation of learners displays the participation inequality typical of social media, but the ratio of active contributors is much higher than xMOOCs; 3) There were five basic structures of social networks formed in the learning; and 4) The interaction around topics and topic generation supports the idea of learning as network creation after the analysis of participation patterns that are based on some deep interactive topic. The aim of this study is to gain insight into the behaviors of learners in a cMOOC in an open and distributed online environment, so that future MOOCs designers and facilitators can understand, design and facilitate more effective MOOCs for learners.</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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».