Open Course Materials Matching Service (OCoMMS): Reducing Barriers and Building Sustainability for OER Adoption
Notice bibliographique
Résumé
Open Education Global Conference 2023 (Edmonton, Alberta) session description. Are you looking for a new approach to supporting educators in finding OER to adopt into their courses? In this lightning talk (15 minutes), learn about an Open Course Materials Matching Service (OCoMMS) model a Canadian research institution has introduced to help reduce hurdles faculty and instructors face when adopting Open Educational Resources (OER) into their courses. We will first highlight some of the barriers educators experience when starting their journey in finding OER to adopt, followed by outlining the Open Course Materials Matching Service provided by Libraries and Cultural Resources (LCR) staff at the University of Calgary. We will discuss what OCoMMS is, the service’s workflow, and the staffing model used within this service. Library staff supporting this service utilize a course’s outline or syllabus as a guide in conducting a targeted search for finding relevant OER which is provided to educators through a curated list they then evaluate for potential adoption. In order to support these services at LCR, we utilize the strengths and experience of our support staff as the strategies and practices for providing reference services are also similarly applied within the Open Course Materials Matching Service. We will highlight the benefits of having our support staff assist with searches within the Open Course Materials Matching Service managed by the Open Education Librarian and our current service workflows. At the University of Calgary, this staffing model is a crucial piece in supporting the sustainability and growth of our OER services as interest in OER adoption continues to increase at our institution.
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 | 0,002 | 0,000 |
| 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 | 0,004 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».