Open Educational Resources in the Time of COVID-19
Notice bibliographique
Résumé
The COVID-19 pandemic caused many post-secondary institutions to close abruptly in early 2020, and instructors were expected to transition to remote online instruction with little notice. For many instructors, hastily recorded lecture-capture videos alongside digital slides became the default mode of sharing instructional content. This sudden shift to video-based instruction was a significant challenge but also presented an opportunity to develop some instructional videos as open educational resources (OER). This paper outlines two case studies from the University of Saskatchewan in which a mix of OER and class-specific, closed-content videos were designed and integrated into remote learning environments. In designing these videos, we focused on technical design elements and accessibility, ability to reuse and share, and student engagement. Both cases, one in veterinary microbiology and the other in music research methods, followed similar strategies for creating multiple types of video content for the course, focusing on four distinct types (labs and demonstrations, guest interviews, lectures, and course information). Choosing to develop and share some of this video content as OER allowed us to expand the use of these learning objects beyond the online classroom. We discuss our considerations for making some videos open, including novelty of the content, reusability, copyright, privacy, and demands on instructor time. We also provide an introduction to our production process and practical tips, including planning, audiovisual production, editing, accessibility, and sharing platforms. The COVID-19 closures made 2020 an unexpectedly challenging year for students and instructors, but the necessity of moving instruction online prompted us to focus on supporting students in this new environment and helped us contribute to the growing body of OER.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 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 ».