The The Impact of Demographic Characteristics on Academic Performance: Face-to-Face Learning Versus Distance Learning Implemented to Prevent the Spread of COVID-19
Notice bibliographique
Résumé
The spread of COVID-19 presents an opportunity for many educational institutions to implement distance learning and ensure the provision of educational resources and services, secure income and revenues, and contribute to the control and prevention of the coronavirus. This study was conducted to investigate the impact of demographic characteristics on academic performance. Students’ grades and grade point averages (GPA) were collected from the Admission and Registration Unit, Al Ain University in Al Ain, United Arab Emirates. The data were used to measure academic performance in face-to-face (F2F) learning and distance learning (DL) implemented by the university to prevent the spread of COVID-19. Statistical analysis including the Mann-Whitney test, Spearman’s rho test, and a regression test were used to answer research questions and verify hypotheses. Students demonstrated better academic performance in DL than F2F learning. It was found that the number of weak students in F2F learning dropped sharply by more than 11% in DL. Demographic characteristics demonstrated a significant impact on students’ academic performance and predicted at least 7.4% variation in F2F learning and DL. Findings of the study support the model developed by Tinto (1975) which proposed the impact of student’s attributes, experiences, and family backgrounds on academic performance. The findings suggest non-DL institutions should continue offering DL side-by-side with F2F learning programs.
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 | 0,016 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».