Is My MOOC Learner-Centric? A Framework for Formative Evaluation of MOOC Pedagogy
Notice bibliographique
Résumé
MOOCs popularly support the diverse learning needs of participants across the globe. However, literature suggests well-known scepticism regarding MOOC pedagogy which questions the effectiveness of the educational experience offered by it. One way to ensure the quality of MOOCs is through systematic evaluation of its pedagogy with the goal to improve over time. Most existing MOOCs’ quality evaluation methods do not account for the increasing significance of learner-centric pedagogy towards providing a richer learning experience. This paper presents a MOOC evaluation framework (MEF), designed with a strong pedagogical basis underpinned by theory and MOOC design practices, which evaluates the integration of learner-centric pedagogy in MOOCs. Using mixed-methods research, the internal validation was conducted through expert reviews (N = 2), and external validation (N = 13) was conducted in the field to test model usability and usefulness. The framework was classified as “good” (SUS: 78.46) in terms of usability. A high perception of usefulness (84%–92%) was observed for the framework as a formative evaluation tool for assessing the integration of learner-centric pedagogy and bringing a positive change in MOOC design. Different participants acknowledged new learning from varied dimensions of the framework. Participants also recognized that the scores obtained using the MEF truly reflected the efforts taken to incorporate learner-centric design strategies in the evaluated dimensions. The framework focuses on learner-centric evaluation of MOOC design with a goal to facilitate improved pedagogy.
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 | 0,013 | 0,008 |
| 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 | 0,002 | 0,001 |
| 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 ».