Is the Understanding Dementia Massive Open Online Course Accessible and Effective for Everyone? Native Versus Non-Native English Speakers
Notice bibliographique
Résumé
Most massive open online courses (MOOCs) are offered in English, including those offered by non-English speaking universities. The study investigated an identified English language dementia MOOC’s accessibility and effectiveness in improving the dementia knowledge of non-native English speaker participants. A total of 6,389 enrolees (age range 18–82 years; 88.4% female) from 67 countries was included in analyses. Dementia knowledge was measured by the Dementia Knowledge Assessment Scale (DKAS) before and after the MOOC completion. Rates of completion were also compared. Native English speakers (n = 5,320) were older, more likely to be female, less likely to be employed, and had lower educational attainment than non-native English speakers (n = 1025). Native English speakers were also more likely to care for or have cared for a family member or friend living with dementia than were non-native English speakers. Native English speakers had a significantly higher DKAS score both pre- (M = 33.0, SD = 9.3) and post-MOOC (M = 44.2, SD = 5.5) than did non-native English speakers (M = 31.7, SD = 9.1; and M = 40.7, SD = 7.7 for pre- and post-MOOC, respectively). Non-native English speakers with low pre-MOOC dementia knowledge scores gained significantly less dementia knowledge following course completion than did native English speakers (p <.001, adjusted for age and education). There was no significant difference between the two groups in their likelihood of completing the MOOC. Our findings suggest that non-native English speakers are motivated and able to complete the MOOC at similar rates to native English speakers, but the MOOC is a more effective educational intervention for native English speakers with low dementia knowledge.
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 | 0,004 | 0,005 |
| 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 | 0,002 | 0,003 |
| 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 ».