Reimagining Computing Education through ODL: Case Studies from Open University Malaysia (OUM)
Notice bibliographique
Résumé
We are pleased to present Reimagining Computing Education through ODL: Case Studies from Open University Malaysia (OUM)—a curated collection of practical narratives, pedagogical innovations, and institutional insights on inclusive, equitable, and accessible computing education through Open and Distance Learning (ODL). This book was developed in response to the growing need for quality, flexible education in the digital age. The chapters highlight how OUM is addressing the challenges of the Fourth Industrial Revolution through adaptive learning technologies, AI-driven feedback, digital nudging, and human-centred approaches—particularly tailored to adult learners in diverse contexts. The volume also features a guest-authored chapter on computing education in the era of Artificial Intelligence and is enriched by contributions from across the university—from the Vice-Chancellor to academic staff—showcasing a unified commitment to learner-centred and future-ready education. What unites these contributions is a belief that technology becomes transformative only when guided by inclusive design and a focus on empowering learners. As editors, we are proud that this volume reflects both institutional vision and the realities of practice, offering valuable perspectives for educators, researchers, and decision-makers in the evolving landscape of digital learning. Published in conjunction with OUM’s 25th anniversary, this book stands as a timely milestone celebrating the university’s ongoing commitment to humanising digital education and leading innovation in ODL. Editors Jane-Frances Agbu Commonwealth of Learning (COL), CANADA Nantha Kumar Subramaniam Open University Malaysia (OUM), MALAYSIA
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 | 0,000 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».