Reflections on Remixing Open Access Content into Open Educational Resources: A New Paradigm for Sustainable Data-Driven Language Learning Systems Design in Higher Education
Notice bibliographique
Résumé
This chapter presents a new paradigm for sustainable data-driven language learning systems design in higher education that draws on qualitative reflections spanning a decade (2012–2022) with stakeholders from an ongoing global research study with the FLAX (Flexible Language Acquisition) and F-Lingo projects at the University of Waikato in Aotearoa New Zealand (Fitzgerald (2019) A new paradigm for open data-driven language learning systems design in higher education; König et al. (2022) Smart CALL ). Design considerations are presented for remixing domain-specific open access content into Open Educational Resources (OER) for academic English language provision across formal and non-formal higher education contexts. Primary stakeholders in the research collaboration include the following three groups: (1) Knowledge organisations that provide open access to academic content—libraries and archives, including the British Library and the Oxford Text Archive, universities in collaboration with MOOC providers and the CORE (COnnecting REpositories) open access aggregation service at the UK Open University; (2) Researchers who mine and remix academic content into corpora and open data-driven language learning systems—converging from the fields of open education, computer science and applied corpus linguistics; (3) Knowledge users who re-use and remix academic content into OER—English for Academic Purposes (EAP) practitioners from university language centres. Automated content analysis was carried out on a corpus of interview and focus discussion data with the three stakeholder groups in this research. We discuss themes arising from the research data that reflect the different stakeholders’ experiences of remixing open access research content that has been produced within the academy for re-use as open educational content for teaching and learning features of academic language within open data-driven language learning systems. These open learning systems have been specifically designed to scale with OER expansion and traction in mind for their sustainable uptake both within and beyond the brick and mortar of the traditional university. The new paradigm presented in this chapter challenges, as the OER movement must, established business models and deeply embedded cultural or institutional norms that present obstacles to OER expansion and traction and the sustainability of the movement. One persistent challenge concerns the lack of open education policy across the higher education sector for full open access (for use, modification, adaptation) via Creative Commons licensing to content produced within the academy. Thus, while this research has theoretical and practical implications in applied linguistics, computer science, language teaching and learning and open education, more generally, it also has significant cultural, business model and policy implications for 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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Science ouverteCommunication savante Domaine: non disponible · Genre: Autre Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | low |
| gpt | Communication savanteScience ouverte Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | medium |
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 | 0,010 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,018 |
| Communication savante | 0,015 | 0,031 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,009 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,003 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».