Social Media Use and Digital Competence as Predictors of Students' Familiarity with MOOCs
Notice bibliographique
Résumé
Massive Open Online Courses (MOOCs) have been disruptive advancements in online learning and teaching in the last decade. We argue that discourses on the value and limitations of MOOCs have largely taken for granted that students are aware of the existence of MOOCs. In the current research, we examined students' awareness of MOOCs and explored digital competence as a potential predictor of such awareness, hypothesising that the effect may be exerted via social media application use. We deployed a questionnaire (Study 1: N = 152, Study 2: N = 158) to measure students' levels of digital competence, their use of social media applications, and their awareness of MOOCs. We also examined students' motivations for enrolling or not enrolling in MOOCs. The results supported our hypothesis that low digital competence is a predictor of low MOOC awareness, but the results from the mediation analysis were not conclusive. Keywords: digital competence, higher education, MOOC, MOOC awareness, motivation, self-efficacy, social media, social media use benefits, students Utilisation des médias sociaux et compétence numérique comme facteurs prédictifs de la familiarité des étudiants avec les MOOCs Résumé : Les cours en ligne ouverts et massifs (MOOC) ont constitué une avancée majeure dans l'apprentissage et l'enseignement en ligne au cours de la dernière décennie. Nous avançons l’idée que les discours sur la pertinence et les limites des MOOC ont largement pris pour acquis le fait que les étudiants étaient au courant de l'existence des MOOC. Dans la présente recherche, nous avons examiné la sensibilisation des étudiants aux MOOC et exploré la compétence numérique en tant que prédicteur potentiel de cette sensibilisation, en émettant l'hypothèse que l'effet peut être exercé par l'utilisation d'applications de médias sociaux. Nous avons diffusé un questionnaire (étude 1 N = 152, étude 2 N = 158) pour mesurer les niveaux de compétence numérique des étudiants, leur utilisation des applications de médias sociaux et leur connaissance des MOOC. Nous avons également examiné les motivations des étudiants pour s'inscrire ou non à des MOOC. Les résultats confirment notre hypothèse selon laquelle une faible compétence numérique est un facteur prédictif d'une faible connaissance des MOOC, mais les résultats de l'analyse de médiation ne sont pas concluants. Mots-clés : compétence numérique, enseignement supérieur, MOOC, connaissance des MOOC, motivation, auto-efficacité, médias sociaux, avantages de l'utilisation des médias sociaux, étudiants
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 | 0,009 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».