Computer-Aided-Instruction (CAI) as an Innovative Method for Optimizing the Quality of Social Studies Lecturers in Nigerian Tertiary Institutions for Quality Teacher Education in Nigeria
Notice bibliographique
Résumé
This study focused on Computer-Aided-Instruction (CAI) as an innovative method for optimizing the quality of Social Studies lecturers in Nigerian tertiary institutions for quality teacher education in Nigeria. To achieve the purpose of this study, three research questions were posed to guide the study. The study adopted descriptive survey research design. The population of the study consisted of all the one hundred and sixty-two (162) Social studies education lecturers in public universities and colleges of education in South-East, Nigeria. A sample of 108 social studies lecturers was drawn for the study, using cluster sampling technique. Relevant data for the study were collected using a “Questionnaire on Effectiveness of CAI in Optimizing the Quality of Social Studies Lecturers in Nigerian Tertiary Institutions”. Data collected were analysed using mean and standard deviation. The findings of the study indicated that: many social studies lecturers are not acquainted with the requisite knowledge and skills for teaching social studies; a good number of social studies lecturers are not acquainted with CAI as an innovative trend for accessing information; and that CAI helps in optimizing the quality of social studies lecturers in Nigerian tertiary institutions. Following the findings of this study, conclusion was drawn and recommendations were made to include that professionally qualified social studies lecturers should be recruited to teach social studies in Nigerian tertiary institutions, social studies lecturers ought to update their computer competences among others.    
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».