Understanding Participant’s Behaviour in Massively Open Online Courses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As the offer of Massive Open Online Courses (MOOCs) continues to grow around the world, a great deal of MOOC research has focused on their low success rates and used indicators that might be more appropriate for traditional degree-seeking students than for MOOC learners, who, because of the openness of MOOCs, represent a more diverse clientele who exhibit different characteristics and behaviours. In this study, conducted in a French MOOC that is part of the EDUlib initiative, we systematically classified MOOC user profiles based on their behaviour in the open-source learning management system (LMS) — in this case, Sakai — and studied their survival in the MOOC. After formatting the logs in ordinal variables in order to reflect a continuum of participation central to the behavioural engagement concept (Fredricks, Blumenfeld, & Paris, 2004), we incrementally executed a two-step cluster analysis procedure that led us to identify five different user profiles, after having manually excluded Ghots : Browser, Self-Assessor, Serious Reader, Active-Independent, and Active-Social. These five profiles differed both qualitatively and quantitatively on the continuum of engagement, and a significant proportion of the less active profiles did not drop out of the MOOC. Our results confirm the importance of social behaviours, as in recent typologies, but also point out a new Self-Assessor category. The implications of these profiles for MOOC design are discussed.
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.
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 | 0,005 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle