Informal Practices of Localizing Open Educational Resources in Ghana
Notice bibliographique
Résumé
Research on the use of Open Educational Resources (OER) often notes the potential benefits for users to revise, reuse, and remix OER to localize it for specific learners. However, a gap in the literature exists in terms of research that explores how this localization occurs in practice. This is a significant gap given the current flow of OER from higher-income countries in the Global North to lower-income countries in the Global South (King et al., 2018). This study explores how OER from one area of the world is localized when it is used in a different cultural context.
 Findings indicated complex encounters with decontextualized content and a variety of localization practices. Participants experienced challenges with technology due to low bandwidth and hardware problems, as well as language problems given Ghana’s history of colonial rule. Native speakers of Twi are less proficient reading Twi than their national language, English. As facilitators worked to overcome these challenges, they were most likely to informally localize content in intuitive ways during the class based on students’ needs. Informal, in-the-moment practices included translating content into Twi, persisting through technological challenges, using local stories and pictures, localizing through discussion, and teaching responsively. These findings have implications for designers to design collaboratively with technological and linguistic flexibility for localization. More research on the practice of OER localization would refine our understanding of how OER is localized and what barriers and affordances exist to this practice.
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 | 0,011 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 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 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 ».