Faculty and Student Technology Use to Enhance Student Learning
Notice bibliographique
Résumé
Scholarly research has indicated that technology adoption to facilitate blended learning promotes the academic success of many different types of students and improves the quality of existing educational offerings. To understand how technology enhances learning, surveys queried the faculty and students of a statewide community college system. The results indicated widespread technology use among the faculty and students. The faculty survey revealed details of technology tools employed and the motivations for their use or discontinued use. Details regarding faculty use of learning management systems, textbooks, and other media characterized the current technology adoption climate. The student survey collected information about students’ perceptions of how technology influenced their learning, their preferences for specific technology tools, and their student progress. Ninety-three percent of student respondents indicated that technology enhanced their learning. Alignment between the faculty use and student preference for technology tools suggested that students are actively engaged in the technology resources used by faculty to enhance learning. Students described how technology facilitated multimodal learning. They also noted that technology increased communication, access, and inclusion in learning. Successful technology use and integration, accompanied by ongoing scholarly debate and monitoring, has the potential to provide more access, promote learning outcomes, and preserve the investment of technology for the institution. The surveys employed here, when used semi-annually, may provide a low-cost model for technology integration monitoring and evaluation. The responses to the surveys also have the potential to provide technology use and integration data that informs strategic planning processes and institutional learning outcome development.
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 | 0,005 | 0,007 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».