Textbook Alternative Incentive Programs at U.S. Universities: A Review of the Literature
Notice bibliographique
Résumé
Objective – This article reviews current literature on incentive grant programs for textbook alternatives at universities and their libraries. Of particular interest in this review are common patterns and factors in the design, development, and implementation of these initiatives at the programmatic level, trends in the results of assessment of programs, and unique elements of certain institutions’ programs. Methods – The review was limited in scope to studies in scholarly and professional publications of textbook alternative incentive programs at universities within the United States of America, published within ten years prior to the investigation. A comprehensive literature search was conducted and then subjected to analysis for trends and patterns. Results – Studies of these types of programs have reported substantial total cost savings to affected students compared to the relatively small financial investments that are required to establish them. The majority of incentive programs were led by university libraries, although the most successful efforts appear to have been broadly collaborative in nature. Programs are well-regarded by students and faculty, with benefits to pedagogy and access to materials beyond the cost savings to students. The field of replacing textbooks with alternatives is still evolving, however, and the required investment of faculty time and effort is still a barrier, while inconsistent approaches to impact measurement make it difficult to compare programs or establish best practices. Conclusion – Overall, the literature shows evidence of significant benefits from incentive programs at a relatively low cost. Furthermore, these programs are opportunities to establish cross-campus partnerships and collaborations, and collaboration seems to be effective at helping to reduce barriers and increase impact. Further research is needed on similar programs at community colleges and at higher education institutions internationally.
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 | 0,006 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,014 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».