User Education and File Standards Best Options to Ensure Open Educational Resources are Truly Open
Notice bibliographique
Résumé
A Review of: Ovadia, S. (2019). Addressing the technical challenges of open educational resources. portal: Libraries and the Academy, 19(1), 79-93. https://doi.org/10.1353/pla.2019.0005 Abstract Objective – To describe common technical challenges of open educational resources (OERs) and recommend solutions. Design – Descriptive study. Setting – Online open educational resources in higher education. Subjects – Open educational resources. Methods – Drawing from the literature and his own experiences, the author explains the necessity of accepted standards of “openness” and describes the many ways OERs fail to meet these standards. The author also describes common technical challenges that impede openness, then proposes solutions to address these challenges. Main Results – Technical limitations often prohibit OERs from being truly open. Providers can design their resources to encourage reuse, redistribution, revision, and remixing. Three strategies for addressing technical challenges in OERs are user education, open file standards, and using Git to facilitate distributed version control. Conclusion – Git is a compelling option for distributed version control, but entails its own technical challenges. User education and established open file standards are the best strategies to ensure that OERs are open in both a legal and a technical sense. The article concludes with the author’s opinions about how OER directors may most realistically implement these solutions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,057 | 0,166 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,015 |
| Communication savante | 0,025 | 0,057 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,009 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,010 |
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 source (Gemma direct ou Codex distillé), 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 ».