Exploring Demographics and Students’ Motivation as Predictors of Completion of a Massive Open Online Course
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 paper investigates the degree to which different variables affect the completion of a Massive Open Online Course (MOOC). Data on those variables, such as age, gender, English proficiency, education level, and motivation for course enrollment were first collected through a pre-course survey. Next, course completion records were collected via the Coursera database. Finally, multiple binomial logistic regression models were used to identify factors related to MOOC completion. Although students were grouped according to their preferences, working in groups did not affect students’ likelihood for MOOC completion. Also, other variables such as age, the institution hosting the MOOC, academic program alignment with students’ needs, and students’ intention to complete the course all affected their probability of MOOC completion. This study contributes to the literature by indicating the factors that influence the probability of MOOC completion. Results show that older participants (age > 50 years old) have higher probability of completing the MOOC. Students’ MOOC completion also increases when the MOOC provides experiences that add to students’ current academic backgrounds and when they are hosted by institutions with a strong academic reputation. Based on these factors, this study contributes to research methods in MOOCs by proposing a model that is aligned with the most important factors predicting completion as recommended by the current MOOC literature. For the next phase of assigning learners to work in groups, findings from this study also suggest that MOOC instructors should provide assistance for group work and monitor students’ collaborative processes.
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 | 0,004 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 découle