How to develop a GROOC: Establishing group dynamics in MOOCs
Notice bibliographique
Résumé
The term GROOC has recently been defined, by Professor Mintzberg of McGill University (McGill, 2015), to describe group-oriented MOOCs, based on one he has developed on social activism. He has also made it clear that he sees no requirement to provide additional support to address group dynamics, stating that groups should be able to handle losing a few members and still function appropriately (Poets & Quants, 2015). However, the existing research in this area, building from a massive research base in traditional group work theory (Cohen & Lotan, 2014), has identified that group formation and maintenance require considerable extra planning and support. The authors have recently completed the first instantiation of a MOOC, on Entrepreneurship and Innovation in IT, as part of the dCCD-FLITE (distributed Concurrent Design Framework for eLearning in IT Entrepreneurship) research project (dCCD-FLITE, 2015), and their research has confirmed the difficulties in both forming and maintaining groups, and student reluctance to engage in group-based activities. In this paper we discuss the existing research on establishing group dynamics in MOOCs, identifying the key factors influencing success and failure, and then consider the outcomes from the dCCD-FLITE MOOC. The authors have already reported on this work, and have now further analysed the data gathered from the MOOC to consider alternative approaches to establishing Group Dynamics in MOOCs, and are currently planning to run the course once more utilising social media as a catalyst for group formation and maintenance.
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) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».