MétaCan
Menu
Retour à la cohorte
Enregistrement W4297513567 · doi:10.19173/irrodl.v23i3.6294

The Landscape of MOOC Platforms Worldwide

2022· article· en· W4297513567 sur OpenAlexvenueno aff
Maria Perifanou, Anastasios A. Economides

Notice bibliographique

RevueThe International Review of Research in Open and Distributed Learning · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueOnline Learning and Analytics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWorld Wide WebVisitor patternAnalyticsComputer scienceMassive open online courseData science

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0090,006
Études des sciences et des technologies0,0010,001
Communication savante0,0060,007
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,411
Écart entre enseignants0,356 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe International Review of Research in Open and Distributed LearningMême sujetOnline Learning and AnalyticsTravaux en français237 207