Pushing Toward a More Personalized MOOC: Exploring Instructor Selected Activities, Resources, and Technologies for MOOC Design and Implementation
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
This study explores the activities, tools, and resources that instructors of massive open online courses (MOOCs) use to improve the personalization of their MOOCs. Following email interviews with 25 MOOC and open education leaders regarding MOOC personalization, a questionnaire was developed. This questionnaire was then completed by 152 MOOC instructors from around the world. While more than 8 in 10 respondents claimed heavy involvement in designing their MOOCs, only one-third placed extensive effort on meeting unique learner needs during course design, and even fewer respondents were concerned with personalization during course delivery. An array of instructional practices, technology tools, and content resources were leveraged by instructors to personalize MOOC-based learning environments. Aligning with previous research, the chief resources and tools employed in their MOOCs were discussion forums, video lectures, supplemental readings, and practice quizzes. In addition, self-monitoring and peer-based methods of learner feedback were more common than instructor monitoring and feedback. Some respondents mentioned the use of flexible deadlines, proposed alternatives to course assignments, and introduced multimedia elements, mobile applications, and guest speakers among the ways in which they attempted to personalize their massive courses. A majority of the respondents reported modest or high interest in learning new techniques to personalize their next MOOC offering.
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 | 0,003 | 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 | 0,000 |
| 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