Challenges of Adopting Open Educational Resources (OER) in Kenyan Secondary Schools: The Case of Open Resources for English Language Teaching (ORELT)
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
Kenya, like many African countries, has faced enormous challenges in the production of and access to quality relevant teaching and learning materials and resources in her primary and secondary school classrooms. This has been occasioned by a plethora of factors which include, but are not limited to a lack of finances, tradition, competence, and experience to develop such resources. Such a situation has persisted despite the existence and availability of many Open Educational Resources (OERs) that have been developed by many education stakeholders at enormous costs. Such freely available resources could potentially improve the quality of existing resources or help to develop new courses. Yet, their uptake and reuse in secondary and primary schools in Kenya continues to be very low. This paper reports the findings of a study in which Open Resources for English Language Teaching (ORELT) developed by the Commonwealth of Learning (COL), Canada, were piloted in sampled fifty (50) Kenyan secondary schools. The study applied the Model 1 – Distance and Dependence (Zhao et al 2002) model to investigate the challenges that hinder instructors to adopt and use ORELT materials. The study reported that poor infrastructure, negative attitudes, lack of ICT competencies, and other skill gaps among teachers and lack of administrative support are some of the implementation challenges that have continued to dog the implementation, adoption and use of OERs in Kenyan schools. The findings of the present study will go a long way in providing useful insights to the developers of OERs and Kenyan education stakeholders in devising strategies of maximum utilisation of OERs in the Kenyan school system.
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 | 0,008 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle