The Contribution of Information and Communication Technology to Social Inclusion and Exclusion during the Appropriation of Open Educational Resources
Notice bibliographique
Résumé
The information and communication technology (ICT) comprehends with the adoption and the development of open educational resources (OER) in the educational spheres. The vast existing body of knowledge portrays several positive aspects of ICT, as it is an enabler in various domains. Hence, the combination of ICT and OER negative aspects have been, as yet, under-investigated. This study aimed to investigate both the social inclusion and the social exclusion of ICT with users appropriating of OER in open distance e-learning (ODeL) institutions. The qualitative approach was used to interpret the inclusion and exclusion factors concerned. The Model of Technology Appropriation was applied as a main theoretical underpinning of the study. The study findings show that ICT has both positive and negative impacts on the appropriation of OER. The various impacts are mostly recognisable in those developing countries where inequalities still exist, as some of the findings postulate that the innovation that is enabled through the utilisation of ICT tends to favour a select minority of rich people. For many students, ICT continues to perpetuate social exclusion. ICT innovation, including OER, has yet to fully support societal needs. Instead, it continues to promote the agendas of the global north. The study recommends the development initiatives to close the current gaps which contribute to the social exclusion. For instance, the installation of fibre optic in most deprived townships and villages can assist in eliminating inequalities associated with ICT infrastructure.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».