Academics’ “Why” of Knowledge-Building for the Fourth Industrial Revolution and COVID-19 Era
Notice bibliographique
Résumé
Online teaching results in knowledge building. Knowledge building is the teaching and learning process that helps academics and students to generate specific personal values used to understand their personal identities. Academics have been forced by COVID-19 lockdowns to go online in teaching their students. The purpose of this study is to explore and understand academics’ knowledge of teaching for knowledge building in two higher-education institutions (HEIs) (RSA and USA) during the COVID-19 era and the 4IR. Reflective activities, focus-group discussions, and semi-structured interviews were used for data generation. Purposive with convenience sampling was used to select the twenty most accessible academics to participate in this study. The findings reveal that this situation compelled the academics to self-actualise on their knowledge-building to address the “why” questions of teaching that help students to understand and address their needs. The self-actualization was framed by “technological pedagogical content knowledge” which produced societal, personal, and professional knowledge building. It was interesting to note that the USA HEI participants were supported by educational technologists, while the RSA HEI participants helped themselves. This was because the RSA HEIs do not have educational technology centres. Consequently, this study recommends a follow-up study that can qualitatively and quantitatively compare the two HEIs. In this way it can be established whether the success of online teaching and learning is influenced by the presence of educational technology centres.
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 | 0,000 |
| 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 ».