Implementation of Modern Distance Learning Platforms in the Educational Process of HEI and their Effectiveness
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The growing role of distance learning platforms at higher educational institutions in developing countries, and the inadequate study of their effectiveness have necessitated the elimination of this imbalance. An additional problem in studying the issue of platforms’ effectiveness is the limitation of studies, which is based on qualitative methods of assessing the effectiveness. The quantitative assessment of the effectiveness and level of satisfaction with the implementation of distance learning platforms at higher educational institutions has been conducted in this academic paper. The assessment has been conducted using the System Usability Scale (SUS) to assess the Usability of the Moodle remote platform in Ukraine and the User Satisfaction Questionnaire (USQ) to assess students’ satisfaction. The article proves the connection between the Usability of the distance learning platform and the level of satisfaction with its use. This provides an opportunity to improve the problem areas of the Usability platform in order to increase the efficiency of its use. The following effects of application have been revealed, namely: increase of internal motivation, involvement in the learning process, level of satisfaction from courses and training programs (curricula), recognition of homework’s importance, increased interest in subjects, and students’ self-efficacy. Effective communication and quick response, an automatic control system are factors that contribute to the introduction of modern distance learning platforms in the educational process of HEI. The important elements of the effectiveness of distance learning platforms in the educational process of HEI are interactivity, simplicity, convenience, the speed of student-teacher interaction, platform flexibility, and quality control.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle