The Landscape of MOOC Platforms Worldwide
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
Previous studies have mainly investigated major massive open online course (MOOC) platforms such as Coursera, edX, and Udemy. This study used 21 metrics to explore 35 MOOC platforms from across the world. Five Web analytics tools were used to analyze these MOOC platforms using data from MOOC platform directories and exploration of platform sites. The findings revealed that many universities, companies, and organizations have cooperated with the platforms and provided MOOCs through them. Major global platforms have offered thousands of MOOCs while regional platforms were more likely to have offered dozens. Some large platforms had millions of registered users while others registered just thousands. The major global platforms were established in the US to offer MOOCs mainly in English, though they offered MOOCs in other languages as well. The regional platforms offered MOOCs mainly in local languages, and to some extent in English and other languages. Some platforms engaged users for long periods while others failed to keep users after they viewed the first page of the platform. On average, a visitor stayed on a platform for 8 minutes visited 7.2 pages per visit. Major global platforms attracted users from all over the world, while regional platforms mainly attracted users from countries where the regional platform language was spoken. Some platforms had very few accessibility and contrast errors while other platforms performed poorly. Most platforms were mobile-friendly. However, administrators of almost all MOOC platforms should take actions to increase the speed of their platform. Other recommendations include undertaking marketing campaigns to increase the number of partners, the number of MOOCs offered, and the platforms’ visibility.
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 | 0,008 | 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 | 0,003 |
| 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