Education's Response to the COVID-19 Pandemic Reveals Online Education’s Three Enduring Challenges
Notice bibliographique
Résumé
Closed campuses, working remotely, and physical distancing have changed the way we work, teach, learn, shop, attend conferences, and interact with family and friends. But the Covid-19 pandemic has not changed what we know about creating high-end online education. Two decades of research has shown that online education often fails to fulfill its promise, and the emergency shift to remote instruction has, for many, justified their distrust and dislike of online learning. Low interactivity remains a widely recognized short-coming of current online offerings. Low interactivity results, in part, from many faculty not feeling comfortable being themselves online. The long-advocated for era of authentic assessments is needed now more than ever. Finally, greater support is needed for both underrepresented students and for faculty to move beyond basic online instruction to create a strong continuum of care between the teaching and learning environment and the student support infrastructure. For those who have been long-term champions of online education, it has never been more important to confront the three biggest challenges that continue to haunt online education – interactivity, authenticity, and support. Only by confronting these challenges squarely can instructors, educational developers, and their institutions take huge steps towards better online instruction in the midst of a pandemic and make widespread, high-quality online education permanently part of the “new normal.”
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,007 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,007 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».