MOOCs και Ψηφιακές βιβλιοθήκες: επισκόπηση της σημερινής πραγματικότητας, προβληματισμοί & προοπτικές
Bibliographic record
Abstract
Τα τελευταία χρόνια ραγδαίες εξελίξεις έχουν λάβει χώρα στο πεδίο της εξ αποστάσεως εκπαίδευσης, διαμορφώνοντας ένα παιδαγωγικό πλαίσιο ριζικά διαφορετικό από το συμβατικό. Σε αυτόν τον άξονα τα Μαζικά Ανοιχτά Διαδικτυακά Μαθήματα (MOOCs), αποτελούν μια νέα πρόταση με ταχεία εξάπλωση. Πολλοί θεωρούν ότι πρόκειται για μία εκπαιδευτική καινοτομία που θα επηρεάσει καθοριστικά την εκπαίδευση ενώ άλλοι εκφράζουν ανησυχίες σχετικά με την απουσία παιδαγωγικού μοντέλου. Τα MOOCs έχουν πλέον εδραιωθεί ως κομμάτι της εξ αποστάσεως ανώτατης εκπαίδευσης και η εμπλοκή των βιβλιοθηκών είναι καθοριστικής σημασίας, όπως και σε ένα μάθημα με φυσική παρουσία, δημιουργώντας νέες προκλήσεις αλλά και διευρυμένες δυνατότητες. Ωστόσο, οι ψηφιακές βιβλιοθήκες δεν έχουν αποκτήσει ακόμα ενεργό ρόλο στη διάρθρωση των MOOCs εξαιτίας της φύσης των μαθημάτων αυτών, ζητημάτων πνευματικών δικαιωμάτων, αδειοδότησης αλλά και του εκπαιδευτικού πλαισίου που διαμορφώνεται συνεχώς. Σκοπός του παρόντος άρθρου αποτελεί η διερεύνηση των τρόπων προσαρμογής των βιβλιοθηκών στα μαθήματα MOOCs, μέσω της σχεδιασμού ενός μοντέλου αποσαφήνισης περιορισμών και προκλήσεων που ανακύπτουν, ώστε οι τελευταίες να αποκτήσουν το δικό τους διακριτό ρόλο στο συνεχώς εξελισσόμενο διαδικτυακό εκπαιδευτικό πλαίσιο.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.096 | 0.042 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".