The pandemic semesters: Examining public opinion regarding online learning amidst <scp>COVID</scp> ‐19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The current educational disruption caused by the COVID-19 pandemic has fuelled a plethora of investments and the use of educational technologies for Emergency Remote Learning (ERL). Despite the significance of online learning for ERL across most educational institutions, there are wide mixed perceptions about online learning during this pandemic. This study, therefore, aims at examining public perception about online learning for ERL during COVID-19. The study sample included 31,009 English language Tweets extracted and cleaned using Twitter API, Python libraries and NVivo, from 10 March 2020 to 25 July 2020, using keywords: COVID-19, Corona, e-learning, online learning, distance learning. Collected tweets were analysed using word frequencies of unigrams and bigrams, sentiment analysis, topic modelling, and sentiment labeling, cluster, and trend analysis. The results identified more positive and negative sentiments within the dataset and identified topics. Further, the identified topics which are learning support, COVID-19, online learning, schools, distance learning, e-learning, students, and education were clustered among each other. The number of daily COVID-19 related cases had a weak linear relationship with the number of online learning tweets due to the low number of tweets during the vacation period from April to June 2020. The number of tweets increased during the early weeks of July 2020 as a result of the increasing number of mixed reactions to the reopening of schools. The study findings and recommendations underscore the need for educational systems, government agencies, and other stakeholders to practically implement online learning measures and strategies for ERL in the quest of reopening of schools.
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.
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 | 0,008 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle