The Tensions Between Student Dropout and Flexibility in Learning Design: The Voices of Professors in Open Online Higher Education
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
Flexibility is typical of open universities and their e-learning designs. While this constitutes their main attraction, promising learners will be able to study “anytime, anyplace,” this also demands more self-regulation and engagement, a cause for student dropout. This case study explores professors’ experiences of flexibility in e-learning design and continuous assessment and their perception of the risks and opportunities that more flexibility implies for student persistence and dropout. In-depth interviews with 18 full professors, who are the e-learning designers of undergraduate courses at the Open University of Catalonia (UOC), were analyzed, employing qualitative content analysis. According to the professors, the main causes for dropout are student-centered, yet they are connected to learning design: workload and time availability, as well as students’ expectations, profiles, and time management skills. In the professors’ view, flexibility has both positive and negative effects. Some are conducive to engagement and persistence: improvement of personalized feedback, formative assessment, and module workload. Others generate resistance: more flexibility may increase workload, procrastination, dropout, and risk of losing professorial control, and may threaten educational standards and quality. Untangling the tensions between dropout and flexibility may enhance learning design and educational practices that help prevent student dropout. Stakeholders should focus on measures perceived as positive, such as assessment extension, personalized feedback and monitoring, and course workload calibration. As higher education is globally turning to online delivery due to the COVID-19 viral pandemic, such findings may be useful in both hybrid and fully online educational contexts.
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 | 0,013 | 0,003 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,004 |
| 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