Notice bibliographique
Résumé
The definition of openness influenced the sustainability of business models of Open Education (OE). Yet, whether openness is defined as the free (re)usage of resources, or the free entry in courses, there always is a discussion on who pays for the resources used in these offerings. The free offering of courses or materials raises the question if OE can be maintained independent of large government subsidies. This article analyzes four cases that each have a different approach to OE and (financial) survival. The aim of this study is to determine the most efficient conditions for a sustainable OE business model.Instead of using different earning models, this research concentrates on the different aspects of unbundling (costs, income, and financiers), arguing that an adjusted Business Model Canvas can be used to analyze the not-for-profit organizations in higher education institutions (HEIs). The cases are OpenupEd, FemTechNet, MERLOT, and Lumen Learning. Openness plays different roles in the business models of the different organizations. For OpenupEd and MERLOT, openness of the materials offered to students and teachers (MOOCs, OER) is essential. For FemTechNet, openness is part of the need to collaborate and share within their community. Commercial organizations, such as Lumen Learning, use free materials to teach educational organizations to use these materials for their own courses. All four organizations use different key activities and key resources (for example, management competencies, social skills, or design and teaching skills) for their continuity. Yet, despite the differences between the case-organizations, community building is important in all cases. Either because producers and users of Open Education become identical, because standardization does decrease costs and increases findability and quality, or because they can bridge the difference between supply and competences necessary for usage of Open 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 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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| 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 ».