Evidence of the Challenge in Engaging Unemployed Youth with Online Learning Platforms
Bibliographic record
Abstract
Bien que l’exposition aux plateformes d’apprentissage en ligne telles que LinkedIn Learning, Coursera et edX augmente, la participation soutenue des utilisateurs et utilisatrices demeure difficile à obtenir. Nous avons cherché à vérifier si les rappels par courriel augmentaient l’interaction avec LinkedIn Learning des jeunes au chômage qui ne fréquentent pas l’école. Chaque participant·e a reçu gratuitement une licence seulement (groupe A), une licence et un accueil personnalisé (groupe B) ou une licence et un accueil personnalisé intégré à un programme de formation intensive (groupe C). Dans ces trois groupes, les participant·es ont été réparti·es au hasard entre le groupe de traitement, qui a reçu des courriels de rappel, et le groupe témoin. Un modèle de randomisation en deux étapes a été mis en œuvre pour tenir compte d’éventuels effets de propagation chez les pairs dans le troisième groupe. Sur l’ensemble des données, nous n’avons trouvé aucun signe que les rappels par courriel influencent l’utilisation de LinkedIn Learning. Cependant, pour le troisième groupe, qui a été exposé à de la formation continue, à un degré élevé d’activation et à une interaction considérable des étudiant·es, nous avons obtenu quelques données qui suggèrent une utilisation générale plus élevée, renforcée par des effets de propagation. Ces résultats suggèrent que l’interaction avec les outils d’apprentissage en ligne peut être rehaussée par une formation pratique, combinée à de l’interaction en ligne et en personne et à du mentorat sur l’utilisation des portails d’apprentissage en ligne.
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 | 0.007 | 0.036 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".