Are Highly Motivated Learners More Likely to Complete a Computer Programming MOOC?
Notice bibliographique
Résumé
Computer programming MOOCs attract people who have different motivations. Previous studies have hypothesized that the motivation declared before starting the course can be an important predictor of distinctive dropout rates. The aim of this study was to outline the main motivation clusters of participants in a computer programming MOOC, and to compare how these clusters differed in terms of intention to complete and actual completion rate. The sample consisted of 1,181 respondents to the pre-course questionnaire in the Introduction to Programming MOOC. A validated motivation scale, based on expectancy-value theory and k-means cluster analysis, was used to form the groups. The four identified clusters were named as Opportunity motivated (27.7%), Over-motivated (28.6%), Success motivated (19.6%) and Interest motivated (24.0%). Comparison tests and chi-square test were used to describe the differences among the clusters. There were statistically significant differences among clusters in self-evaluated probability of completion. Also, significant differences emerged among three clusters in terms of percentages of respondents who completed the MOOC. Interestingly, the completion rate was the lowest in the Over-motivated cluster. A statistically significant higher ratio of completers to non-completers was found in the Opportunity motivated, Success motivated, and Interest motivated clusters. Our findings can be useful for MOOC instructors, as a better vision of participants’ motivational profiles at the beginning of the MOOC might help to inform the MOOC design to better support different needs, potentially resulting in lower dropout rates.
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 | 0,003 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 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 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 ».