Usage Status, Usage Requirements, and Satisfaction in Using Massive Open Online Course (MOOC) for General Education Courses at Rajamangala University of Technology Srivijaya
Notice bibliographique
Résumé
The primary objective of the present study was to comprehensively evaluate the utilization, requisites, and contentment associated with the implementation of the Massive Open Online Course (MOOC) system in general education courses at Rajamangala University of Technology Srivijaya. Furthermore, a comparative analysis was conducted to examine potential variations in usage status, requirements, and satisfaction among different demographic groups, including gender, age, year of study, campus, and faculty. A meticulously designed questionnaire was administered to a sample of 279 students selected by stratified random sampling. The findings unequivocally demonstrate the educational advantages of employing the MOOC system, underscoring its effectiveness in augmenting participants’ learning experiences. The study unequivocally identified accessibility, interaction, independence, collaborative learning, learning resources, and teaching methods as pivotal prerequisites for an optimal MOOC system. Moreover, the overall level of contentment among the participants was consistently high. Significantly, the faculty variable exhibited a substantial influence on satisfaction with the MOOC system. This notable disparity in satisfaction may be ascribed to the distinctive learning characteristics, technological proficiency, and educational backgrounds prevalent across diverse faculties. The outcomes of this study make a valuable contribution to the existing body of literature by highlighting the significance of customizing MOOC systems to align with the specific requirements and preferences of students within distinct faculties. Future research endeavors should concentrate on exploring faculty-specific features and devising targeted strategies to optimize satisfaction levels and learning outcomes within MOOC-based educational environments.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».