Discrepancies and Similarities Between Online and Face-to-Face Teachers’ Use of Open Educational Resources (OER) for Teaching Purposes
Notice bibliographique
Résumé
The integration of open educational resources (OER) in the educational curricula of universities and educational organizations has gained tremendous popularity. However, there is a gap in research on teachers’ attitudes toward OER in many developing countries. Using a mixed-methods approach, this study explored the use of OER by online and face-to-face teachers of English as a foreign language (EFL) in Iran. A total of 62 teachers (31 online teachers and 31 face-to-face teachers) participated in the study. Survey and interview results indicated that there were significant differences between online and face-to-face teachers’ attitudes toward OER. Online teachers had a more positive attitude toward OER than face-to-face teachers. The perceived benefits of OER included developing the flexibility of curricula, encouraging personalized learning, and offering pedagogical options for teachers. There were several perceived OER-based challenges in the educational context of Iran as well. The challenges included teachers’ uncertainty about copyright issues, the low quality of OER, teachers’ low levels of digital literacy, teachers’ unawareness of the existence of OER, the lack of quality control over OER, the lack of credibility of OER content, and the lack of up-to-dateness of OER. There were also significant differences between participants’ perspectives on the types and frequency of using OER. More specifically, online teachers used OER for teaching practices more frequently than face-to-face teachers. Participants perceived that they needed various types of training for the appropriate use of OER. This study proposes several implications for renewing and improving teacher training/education programs and material development projects.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».