Open learning design for using open educational practices in high school learning contexts and beyond
Notice bibliographique
Résumé
Purpose There is a need for research that examines how digital networks can support all learners in open access to people, resources and experiences that were previously inaccessible in K-12 learning contexts. This study aims to examine the potential of open education theories and open practices in high school learning environments. Design/methodology/approach Using a design-based research approach, this study used the open learning design intervention framework to examine the experiences of a researcher, a teacher and Grade 10 students who expanded their learning from formal to informal learning environments by integrating open educational practices (OEP). The research occurred through three specific phases with iterative cycles that were responsive to research participants and data analysis at each phase. Findings The key findings suggest that open learning in high school is dependent upon opportunities for learners to co-design personally relevant learning pathways. The emerging design framework highlighted the need to emphasize the complexity of the students’ lived experiences in connection with the curriculum (formal learning environments) to promote a diversity of perspectives and shared connections (in informal learning environments). Second, learners need the opportunity to share their learning experiences collaboratively and individually by transparently demonstrating their learning processes in relevant ways and open practices provide the digital and community spaces to share knowledge. Finally, open learning occurs through stages and continuums and is a personal learning experience that transcends the boundaries of formal learning environments. Originality/value This study expands the current conceptual framework of open learning design by contributing a K-12 lens from which to consider the potential of OEP to promote personal learning pathways. Although the research considered a K-12 context, the OLDI Framework can be extended upon and used in any open learning design context including higher education.
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 | 0,028 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,014 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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.
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 ».