Análise de agrupamento (Clusters Analysis) em duas etapas no ensino à distância: Uma forma de reduzir as lacunas na literatura científica no ensino à distância
Notice bibliographique
Résumé
Background: Dropout rates are often very high in distance education. A plethora of research has been conducted to identify the contributing factors; however, the majority of the findings are inconclusive and point to the fact that it is difficult to isolate a single explanatory factor. While frequently examined factors are personal and environmental, there is less research on the relationship between course design and retention or dropout. Method: This paper presents a study involving two-stage cluster analysis of 623 variables from 19 university courses at one open and distance education (ODE) institution. To this end, the current study grouped the courses into five types based on 22 variables. Results: The results indicate that certain sociodemographic variables become a risk factor for course dropout depending on their distribution in the standard courses. Conclusions: This result highlights the importance of instructional design in the ODE retention and dropout equation and helps explain, in part, why previous studies have not reached a consensus on which variables should be considered to explain dropout rates. / Contexto: Embora as taxas de abandono escolar sejam frequentemente muito elevadas no ensino à distância, tem sido realizada muita investigação para identificar os fatores que influenciam o abandono escolar ou a persistência neste modo de aprendizagem. As conclusões destes estudos nem sempre convergem e salientam que é difícil isolar um único fator explicativo. Embora a maioria dos fatores sejam pessoais e ambientais, há menos investigação sobre a relação entre a conceção e a retenção ou desistência do curso. Método: Este estudo apresenta uma metodologia que envolve uma análise em duas fases de 623 variáveis de 19 cursos universitários de uma instituição de ensino à distância (EAD). Este estudo agrupou os cursos em cinco tipos de cursos com base em 22 variáveis. Resultados: Os resultados indicaram que certas variáveis sociodemográficas se tornam um fator de risco de desistência dos cursos, dependendo da sua distribuição nos cursos padrão. Conclusão: Esta metodologia sublinha a importância da conceção instrucional na equação de retenção e desistência da EAD e ajuda a explicar, em parte, porque é que estudos anteriores não chegaram a um consenso sobre quais as variáveis que devem ser utilizadas para explicar a desistência.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».