The multiple affordances, complexities and limitations of micro-credentials - practitioner voices
Notice bibliographique
Résumé
In this paper I analyse the voices of higher and vocational education practitioners and stakeholders in the micro-credentials arena to answer the research question: What are the possible affordances, complexities and limitations of micro-credentials? Micro-credentials are small pieces of recognised learning and assessment (European Commission, 2020) that can function as an agent of change for better or worse (Desmarchelier & Cary, 2022, Gibson et al., 2016, Hanshaw, 2024, McGreal & Olcott, 2022, Pollard & Vincent, 2022, Ralston, 2021, Wilson et al., 2016). There is a gap in the literature on the possible affordances, complexities and limitations of micro-credentials experienced in practice and following the voices of practitioners’ lived experience points bring us to understanding new ways of doing things (Clandinin & Connelly, 2000). My data collection involved semi-structured interviews with ten participants from Aotearoa New Zealand and Canada who were experts or stakeholders in micro-credentialing development. By using Reflexive Thematic Analyses and Qualitative Descriptive Research, I uncover and present themes, which indicate multiple powerful and positive affordances which act as catalysts to micro-credential development, and numerous associated complexities/limitations which act as inhibitors, and investigate the relationship between them. Looking through the lenses of power/knowledge, which is practised in society as a strategy to exert control over others (Foucault, 1980) and disruptive innovations, which create footholds in markets where no market existed, (Christensen et al., 2015), I explore a possible motivational context behind these inhibitors. Finally, I propose how we might better leverage the successful build out of powerful micro-credentials, to the betterment of the human experience.
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 | 0,025 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,044 |
| Communication savante | 0,016 | 0,021 |
| Science ouverte | 0,002 | 0,017 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».