Free Digital Learning for Inclusion of Migrants and Refugees in Europe: A Qualitative Analysis of Three Types of Learning Purposes
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
The increasing number of migrants and refugees arriving in Europe places new demands on European education systems. In this context, the role that free digital learning (FDL) could play in fostering inclusion has attracted renewed interest. While the existing literature highlights some general design principles for developing FDL for migrants and refugees, there is little information on the use of FDL at specific education levels, or for specific learning purposes. This paper presents the results of a qualitative study that was carried out as part of the Moocs4Inclusion project of the Joint Research Centre (JRC) between July and December 2016. The study, which has a European focus, disaggregates the analysis of FDL initiatives by what were identified as its three most common purposes: a) language learning, b) civic integration and employment, and c) higher education. For each of these topics, the study sheds light on the approaches used by a wide sample of initiatives, users’ levels of awareness of what is available and take up, and migrants’ and refugees’ perceptions of the current offer. In order to collect the information needed to cover different approaches and perspectives, semi-structured interviews with 24 representatives of 10 FDL initiatives and four focus groups with 39 migrants and refugees were carried out. The results show that there are indeed overlaps between the purposes of FDL initiatives and their design principles. Specific recommendations on how to better design FDL initiatives for migrants and refugees, taking into account their specific purposes, have also been identified.
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 | 0,006 | 0,011 |
| 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 | 0,001 |
| 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