Differential OER Impacts of Formal and Informal ICTs: Employability of Female Migrant Workers
Notice bibliographique
Résumé
Information and communication technologies aid marginalized groups in seeking social support, building proximate networks, and improving employment opportunities. However, one key factor that is understudied in the literature is the impact of open education resources (OER) on the employability of marginalized groups. This study focuses on open and distance learning in the context of low-income female migrant domestic workers as a marginalized community. Specifically, we assessed the differential effects of two types of communication: informal OER resources (e.g., social media, mobile calling, texting) and formal OER resources (e.g., classroom prescribed learning tools and lectures) on specific development outcomes of functional literacy and perceived employability. A survey was conducted amongst female migrant domestic workers (n=100) enrolled in the Indonesian Open University in Singapore. Results indicate that access to OER resources via computers in the formal context of institutional learning, when combined with employability awareness, had a significant influence on livelihood outcomes, i.e., perceived employability. However, this did not lead to actual improvements in learning – functional literacy. Instead, actual learning improvement was influenced by digitals skills enabled by mobile phones and computers. The study concludes with a discussion on the policy implications for digital skills training via mobile devices for marginalized populations to bolster the positive effects of OER on livelihood outcomes.
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 | 0,002 |
| 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 | 0,001 |
| 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 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 ».