Evidence of the Challenge in Engaging Unemployed Youth with Online Learning Platforms
Notice bibliographique
Résumé
Bien que l’exposition aux plateformes d’apprentissage en ligne telles que LinkedIn Learning, Coursera et edX augmente, la participation soutenue des utilisateurs et utilisatrices demeure difficile à obtenir. Nous avons cherché à vérifier si les rappels par courriel augmentaient l’interaction avec LinkedIn Learning des jeunes au chômage qui ne fréquentent pas l’école. Chaque participant·e a reçu gratuitement une licence seulement (groupe A), une licence et un accueil personnalisé (groupe B) ou une licence et un accueil personnalisé intégré à un programme de formation intensive (groupe C). Dans ces trois groupes, les participant·es ont été réparti·es au hasard entre le groupe de traitement, qui a reçu des courriels de rappel, et le groupe témoin. Un modèle de randomisation en deux étapes a été mis en œuvre pour tenir compte d’éventuels effets de propagation chez les pairs dans le troisième groupe. Sur l’ensemble des données, nous n’avons trouvé aucun signe que les rappels par courriel influencent l’utilisation de LinkedIn Learning. Cependant, pour le troisième groupe, qui a été exposé à de la formation continue, à un degré élevé d’activation et à une interaction considérable des étudiant·es, nous avons obtenu quelques données qui suggèrent une utilisation générale plus élevée, renforcée par des effets de propagation. Ces résultats suggèrent que l’interaction avec les outils d’apprentissage en ligne peut être rehaussée par une formation pratique, combinée à de l’interaction en ligne et en personne et à du mentorat sur l’utilisation des portails d’apprentissage en ligne.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».