Exploring the Influence of Countries’ Economic Conditions on Massive Open Online Course (MOOC) Participation: A Study of 3.5 Million MITx Learners
Notice bibliographique
Résumé
It is well known that there are disparities in access to education around the world, with developed countries generally having better educational resources and opportunities compared to developing countries. Massive open online courses (MOOCs) have been proposed as a way to bridge this gap by providing free or low-cost online education to anyone with an Internet connection. This study aimed to better understand the effects of location, both country and region, on the use of MOOCs, using data from 3.5 million learners who registered for MOOCs offered by the Massachusetts Institute of Technology (MIT). The data set provided a broad picture of how MOOCs are being used around the globe. The results of the study indicated significant differences in the use of MOOCs among students from different countries and their corresponding economic levels. In order to address these differences and improve access to education through MOOCs, the study suggested several actions that could be taken. These include providing better infrastructure and support for MOOC learners in developing countries, increasing awareness of and access to MOOCs in these regions, and working to improve the quality and relevance of MOOC offerings. Overall, the study highlighted the potential of MOOCs to bridge the educational gap between developed and developing countries, but also emphasized the need for continued efforts to remove barriers and improve access to these resources.
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 | 0,005 | 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 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».