Self-Regulated Learning in Massive Online Open Courses: A State-of-the-Art Review
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
Self-regulated learning (SRL) is a cyclical process through which individuals plan their objectives, execute them and self-evaluate their own behavior so as to obtain their proposed goals. SRL has been investigated by different authors such as Zimmerman, Boekaerts, Winne and Hadwin, Pintrich, Efklides and Hadwin, Järvelä and Miller and it's being applied in learning environments. This systematic review describes the current state of the art in terms of the support for SRL in Massive Online Open courses (MOOC) using technologies based on psychological models. 66 studies conducted between 2010 and 2020 were analyzed by searching three multidisciplinary databases: Scopus, Web of Science and Google Scholar. The review methodology steps were the review planning, the search, literature analysis and the results report. Results show SRL in MOOCs is an emerging study area incentivized by the high dropout rate of the participants in MOOC. Regarding models of SRL, the most representative author reported was identified as Zimmerman. The most prominent self-regulation strategies used by MOOCs participants are: Goal setting, Help Seeking, Time management, Self-evaluation and Strategic planning. The platforms with research on SRL in MOOCs that stand out are Coursera, Edx, Open Edx and Moodle. We identified tools which have been developed to support SRL in MOOC and a set of good practices useful to support SLR that can be used by MOOC designers and tutors. Finally, a series of open problems and challenges that could lead to new research on the topic of SRL in MOOCs have been identified.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,008 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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