Factors Affecting MOOCs’ Adoption in the Arab World: Exploring Learners’ Perceptions on MOOCs’ Drivers and Barriers
Notice bibliographique
Résumé
Despite the potentials promised by MOOCs to democratize education, the adoption rate of MOOCs is still low in certain parts of the world, including the Arab region. Research on MOOCs’ adoption in the Arab region is also limited. To fill this research gap, this quantitative study aims to explore Arab learners’ perceptions on the influential drivers and barriers of MOOCs’ usage. Participants of the study were 821 learners, all from Arabic-speaking countries, who were registered in at least one MOOC offered by one of the biggest Arabic MOOC platforms, Rwaq, during the year 2019. Data were collected using a web-based survey. Results indicated that participants were overall satisfied with their MOOC experience. The main reasons behind their enrolling in MOOCs were: they wanted to learn new things; they thought MOOCs were interesting; they needed credentials for their CVs. The main benefits they cited for participating in MOOCs were: the material learned through MOOCs was valuable to me, the MOOCs’ structure and learning activities were flexible and supported my learning, Participating in MOOCs developed my technological competency. The main MOOC barriers were: problems accessing MOOCs materials due to unreliable internet connection, not having enough time to complete all required tasks and assignments, lacking the proficiency to use different tools in MOOCs, and the instructor was not there to help. Other findings of the study: gender, age, academic levels were not correlated with learners’ satisfaction with MOOCs. On the other hand number of MOOCs previously completed was significantly related to learners’ satisfaction in MOOCs.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».