Breaking barriers : understanding and removing barriers to OER use
Notice bibliographique
Résumé
While there are many benefits to the use of OER, such as cost savings for students, increased access to resources, and the ability for faculty to adapt the resources to meet their specific needs, new and experienced faculty members also face many barriers when attempting to incorporate Open Educational Resources (OER) into their courses. Research suggests that awareness, funding, time, and institutional supports are factors that impact faculty using or not using OER. The purpose of this research was to investigate the barriers that business faculty in Ontario colleges face when using OER within their teaching practices and determine if faculty have recommendations to overcome the barriers to using OER. Based on a review of the literature on OER and the barriers business faculty experience when using OER, a mixed-method approach was used in this research. The study focused on Ontario college faculty teaching business courses. Data was collected via a survey and follow-up interviews. Seventy-two respondents from 12 Ontario colleges responded to the survey. Nine participated in follow-up interviews. Respondents were asked about their experiences using OER, the barriers they faced, and solutions to overcome them. A thematic and cross tabulation analysis of the responses demonstrated that faculty are introduced to OER in different ways, and institutions have unique approaches to supporting faculty with OER. Faculty experience barriers to using OER, such as no suitable resources, awareness, knowledge, support, and institutional processes. Faculty outlined ways to overcome such barriers, including but not limited to professional development, creation of new high-quality content, time to create the resources, and enhanced collaboration and networking efforts.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».