Impact of Open Education Resources (OER) on Student Academic Performance and Retention Rates in Undergraduate Engineering Departments
Notice bibliographique
Résumé
To students and families already struggling to afford college tuition and fees, spending an additional $1,240 per year on books and supplies can be a breaking point.This cost constitutes as much as 39% of tuition and fees at a community college and 14% of tuition and fees at a fouryear public institution (data obtained from the 2019-20 College Board survey for full-time undergraduate students).Moreover, due to the coronavirus pandemic, the demand for digital textbooks is surging and the problem is compounded by the fact that without on-campus resources, including library reserve textbook collections, students are facing more barriers to access course content.Existing research also points to a negative impact on student grades, retention rates, and graduation time when there is lack of access to primary course materials.Open textbooks and open educational resources (OER) present a viable alternative to costly publisher content.Defined, open educational resources are teaching and learning materials freely available for everyone to use and are typically openly licensed to allow for re-use and modification by instructors.At New York City College of Technology -CUNY, the college's library began an OER initiative in fall 2014 to introduce faculty to OER as an alternative to traditional textbooks, and since then faculty have adopted OER across 26 of 28 academic departments and 116 courses -alleviating great financial strain and increasing access to course materials.The main objective of this paper is to investigate the association between the use of OER in engineering programs and student academic performance and retention rates.Analysis of early data demonstrates that for course sections where OER was used, retention rates increased significantly, and withdrawal rates lowered significantly.
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 | 0,001 |
| 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 ».