Quality Assurance for Open Educational Resources: The OERTrust Framework
Notice bibliographique
Résumé
Learning Objects have met some barriers to their development and effective adoption, which varied from the lack of quality assurance mechanisms to the impossibility of editing and adapting most of them to real teaching and learning contexts. However, with the advent of OER (Open Educational Resources), if the later problem – to retain, reuse and even remix learning content – was meant to be solved, the same could not be said for the first one. Quality assurance is still an unsolved problem in this context, even more complex due to the possibility of versioning and collaborative design brought by OER. Thus, it is necessary to propose validation mechanisms for them, at least establishing some guarantees about their functionality and quality. In this sense, this work aims to discuss OERTrust, a proposal of supporting framework for OER validation and testing process, considering both versioning and remixing features. OERTrust is based on the principles of validation and testing that come from Software Engineering area and relies on fuzzy logic to define the importance and influence of different tests to each kind of OER. https://doi.org/10.26803/ijlter.17.3.1
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 | 0,073 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,016 |
| Communication savante | 0,014 | 0,022 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».