Strategies for Enhancing the Teaching of ICT in Business Education Programmes as Perceived by Business Education Lecturers in Universities in South South Nigeria
Notice bibliographique
Résumé
This study assessed the strategies for enhancing the teaching of ICT in Business Education programme as perceived by Business Education lecturers in universities in south south Nigeria. Three research questions and six hypotheses guided the study. The design of this study was a descriptive survey. The population which also served as a sample comprised 134 Business Education lecturers in universities in the south south geopolitical zone of Nigeria. The instrument for data collection was a 66 – item questionnaire. The instrument was validated by experts in Business Education. The internal consistency of the instrument was determined using cronbach alpha, which has a reliability coefficient of 0.93. The data were analysed using mean and standard deviation. The study revealed the prospects of teaching ICT: ICT facilitates interaction between lecturers and students; ICT enhances effective storage of business information; ICT facilitates the retrieval of business information. The study also revealed constraints facing the teaching of ICT such as inadequate ICT facilities/equipment; frequent electricity interruption of ICT facilities and poor implementation of ICT policies. Moreover, the study revealed some strategies for enhancing the teaching of ICT: adequate funding of ICT facilities; provision of adequate ICT equipment; provision of adequate ICT facilities among others. Among the recommendations made were that Business Education lecturers should undergo training and retraining in ICT programme to have more skills and competencies, that adequate ICT facilities should be provided by university authorities to enable lecturers carry out their teaching assignment effectively.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».