Reviewer Experience vs. Expertise: Which Matters More for Good Course Reviews in Online Learning?
Notice bibliographique
Résumé
With a surging number of online courses on MOOC (Massive Open Online Course) platforms, online learners face increasing difficulties in choosing which courses to take. Online course reviews posted by previous learners provide valuable information for prospective learners to make informed course selections. This research investigates the effects of reviewer experience and expertise on reviewer competence in contributing high-quality and helpful reviews for online courses. The empirical study of 39,114 online reviews from 3276 online courses on a leading MOOC platform in China reveals that both reviewer experience and expertise positively affect reviewer competence in contributing helpful reviews. In particular, the effect of reviewer expertise on reviewer competence in contributing helpful reviews is much more prominent than that of reviewer experience. Reviewer experience and expertise do not interact in enhancing reviewer competence. The analysis also reveals distinct groups of reviewers. Specifically, reviewers with low expertise and low experience contribute the majority of the reviews; reviewers with high expertise and high experience are rare, accounting for a small portion of the reviews; the rest of the reviews are from reviewers with high expertise, but low experience, or those with low expertise, but high experience. Our work offers a new analytical approach to online learning and online review literature by considering reviewer experience and expertise as reviewer competence dimensions. The results suggest the necessity of focusing on reviewer expertise, instead of reviewer experience, in choosing and recommending reviewers for online courses.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| 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 ».