Design of the System Architecture of Competency-Based MOOC Using Microlearning Objects to Facilitate Upskilling and Reskilling for Industrial Workforce: Digital MicroLearn
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In response to rapid technological advancements, higher education institutions face an urgent need for innovative, competency-based learning systems to address workforce development challenges. This research aims to design and validate the competency-based MOOC system architecture using microlearning objects, referred to as the digital MicroLearn system architecture, to facilitate upskilling and reskilling for the industrial workforce. The study employs a mixed methods research (MMR) design comprising three phases: Phase 1, qualitative data were gathered through focus group discussions (FGDs) with experts and industry stakeholders to identify practical needs, challenges, and system requirements; Phase 2, design and validation of the system architecture; and Phase 3, expert review to assess the system's suitability. The findings highlight that the system capably supports competency-based microlearning activities, with Moodle as the core MOOC platform integrating H5P for interactive content, YouTube for video delivery, and cmi5 and xAPI for learner progress tracking via a Learning Record Store (LRS). The responsive interface ensures compatibility across devices, enhancing microlearning efficiency and learner engagement. Expert evaluations confirmed the architecture's suitability for industrial workforce development, with an overall mean score of 4.42 ± 0.48, indicating agreement. Future research should investigate the implementation of the system in real-world educational settings to assess its scalability and adaptability across diverse institutional contexts. Additionally, studies should examine its effectiveness in enhancing competency-based learning experiences and its long-term impact on institutional performance and learner outcomes.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle