Insights from a massive open online course (MOOC) for medical education (2014-2018)
Notice bibliographique
Résumé
Background Massive open online courses (MOOCs) are technological innovations have been successfully applied in a wide variety of disciplines to deliver quality online education. These courses are an area of intense focus of educational research. Preliminary studies have shown MOOCs to be effective means of delivering medical education. This study reports data on course completion rates and the geographic reach of a MOOC designed for medical education. Methods A online course designed as for a 4th year medical school elective was opened as a free to take MOOC in August, 2014. The course is offered in English with subtitles via Udemy.com. Data regarding completion rates were obtained from the course management interface of the MOOC, data regarding the geographic reach of the course was obtained from Google Analytics. All data is anonymous, aggregated, and studied retrospectively. The intended course audience was fourth year medical students in the United States, but enrollment was open to all. Results MOOC enrollment reached 5,586 students by February, 2018. Completion rates were low (5%), with 8% completing 50% or more of the MOOC. 80% of students did not complete a single course element. Students enrolled from 161 different countries based on localization by Google Analytics. The most common countries students enrolled from were the United States (46%), India (6%), the United Kingdom (4%), Egypt (2.5%), Canada (2.5%), Australia (2%), China (2%), Germany (1.5%), Brazil (1.5%), and Saudi Arabia (1.5%). Conclusions Course enrollment included 5,586 students from 161 different countries. Course completion rates were low, but consistent with other scientific MOOCs designed for high level audiences that are open for public enrollment. These results also show the potential global reach of a MOOC. These factors of high enrollment, low course completion, but global reach are unique challenges for medical educators who deliver content via MOOC technology. Further study is needed to further define the role of MOOCs in medical education.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».