Planning, Implementing, and Assessing an OER Faculty Learning Community: A Facilitator’s Lens
Notice bibliographique
Résumé
A librarian-led Faculty Learning Community (FLC) focused on Open Educational Resources (OER) can be a practical, low risk way to sustain campus-based OER programs during and after initial start-up. Creating a space for sharing teaching successes and challenges is an important goal in the iterative journey toward open. The experiences and trust fostered in an FLC can help grow awareness of and commitment to adopting, deepening, and expanding a culture of openness. FLCs provide an opportunity to lean into open that enhances cross-campus relationships, identifies gaps, and emphasizes collegiality while moving toward enriched teaching and learning. They provide a launching point for sharing pedagogical practice, and a valuable venue for new ideas. Key strategies for planning, implementing, and assessing a multidisciplinary OER faculty learning community are highlighted. Practical advice is emphasized to support successful outcomes that can be easily replicated. Ten top takeaways are summarized from a year spent facilitating an OER FLC in a four-year, public, comprehensive college that included the shift to online courses during the COVID-19 pandemic, and it concludes with suggested next steps for continuing the OER conversation among faculty, students, librarians, instructional designers, teaching and learning center staff, administration, and other stakeholders.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,052 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,001 |
| Études des sciences et des technologies | 0,029 | 0,016 |
| Communication savante | 0,015 | 0,014 |
| Science ouverte | 0,006 | 0,021 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».