Higher Education in the First Year of COVID-19: Thoughts and Perspectives for the Future
Notice bibliographique
Résumé
In the last year a new virus (SARS‑CoV‑2) and the disease caused by it (COVID-19) has quickly spread around the world, leading the World Health Organization to declare a public health emergency and, then, a global pandemic status. The strategies adopted by many countries to reduce the impact of the pandemic were mainly based on social distancing rules and on stay-at-home measures or lockdowns. These strategies had severe disruptive consequences on many sectors, including all levels of education. While the “traditional” (face-to-face) Higher Education (HE) system was unprepared for the lockdown (e.g., no plans for a massive shift to online teaching were available/ready), it reacted in an extremely quick and effective way, replacing face-to-face teaching with online teaching. While COVID-19 has been extremely challenging for education, the experience has undoubtedly provided positive inputs for the digitalization of the HE system. The question is however, if whether after the COVID-19 emergency everything will go back to the previous situation or instead if the pandemic has irreversibly changed HE. While we are still in the middle of the crisis, it is in our view beneficial to start to reflect on the challenges and open issues that emerged during this period and the lessons learned for the “new normal” (as it is often referred to). In this conceptual paper we seek to start this discussion by focusing on the following relevant aspects that should be considered to succeed in the digital transformation: broadband network infrastructure and hardware devices; e-learning software; organization of teaching activities; pedagogical issues; diversity and inclusivity; and a number of other issues. We conclude that the COVID-19 pandemic will irreversibly change HE and probably for the better.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».