Trois stratégies pour favoriser l’engagement des participants à un MOOC
Notice bibliographique
Résumé
Les principaux défis des MOOCs se résument souvent au faible taux de réussite (voir Breslow et al., 2013; Gillani, 2013; Karsenti, 2013), aux questions de propriété intellectuelle des contenus de cours (voir EDUCAUSE, 2012; Fowler et Smith, 2013; Porter, 2013) et aux mécanismes de l’évaluation certificative (voir Cisel et Bruillard, 2012; Liss, 2013; Yuan et Powell, 2013). Dans le cadre de ce texte, nous nous intéressons tout particulièrement aux mesures de soutien au processus d’apprentissage (voir Karsenti, 2013; Kop, 2011; Kop, Fournier et Mak, 2011; Tschofen et Mackness, 2012), et tout particulièrement aux stratégies pouvant être mises en place pour favoriser la motivation des apprenants (voir Kizilcec et Schneider, 2015) et, ainsi, la poursuite du parcours des apprenants inscrits dans les MOOCs. À partir de la théorie de l’autodétermination de Ryan et Deci (2000), nous explorons comment les trois tendances caractéristiques retrouvées actuellement dans certaines formations à distance (l’apprentissage nomade, la ludification des activités d’apprentissage et l’apprentissage adaptatif) sont susceptibles d’accroître la motivation des apprenants qui participent à des MOOCs.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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 ».