Evaluation of Open Educational Resources for an Introductory Exercise Science Course
Notice bibliographique
Résumé
While open educational resources (OER) have gained popularity, nearly three quarters of faculty are not aware they are available for use. However, when used, they are well received and do not negatively impact quality of learning. OER can be used within a variety of platforms, including software that aims to be more interactive and engage students in active learning and assessment. One such platform is Top Hat, which was used by the authors of this study to develop a textbook for an introductory exercise science course. We assessed student’s perceptions of Top Hat and barriers to use for reading their textbook and for class assessments over the course of two years. A total of 486 students were registered for this course. Although two thirds of students had previous experience with Top Hat and half of those used the textbook feature, students (n = 39, 38%) were apprehensive about reading their textbook online via Top Hat. However, these feelings resolved as students became comfortable with the platform’s features. Nearly 80% of students have sometimes or never acquired their textbooks before the start of the semester, despite 96% who expressed the importance of having their materials accessible online and available on or before the first day of the course. This indicated that students understood the importance of having their materials for the start of the semester, however they perceived the barriers of purchasing books to be greater. Therefore, using OER and Top Hat removed student learning barriers and had potential to increase course participation and success.
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 | 0,033 | 0,009 |
| 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 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».