ZOOMing into a Community: Exploring Various Teaching Practices to Help Foster Sense of Community and Engagement in Emergency Remote Teaching
Notice bibliographique
Résumé
Educators across the world have been forced to shift their courses online due to the COVID-19 pandemic. As face-to-face courses become online courses during this unprecedented time, instructors are thrown into emergency remote teaching (ERT). Where online learning involves “experiences that are planned from the beginning and designed to be online, emergency remote teaching (ERT) is a temporary shift of instructional delivery to an alternate delivery mode due to crisis circumstances…[which], will return to that [original] format once the crisis or emergency has abated” (Hodges, Moore, Lockee, Trust, & Bond, 2020, para 13). The instructional demands of ERT can be overwhelming in that many instructors are trying to navigate new online teaching approaches to ensure their students have a sense of community (SoC), that is a sense of belonging and interactivity, and are still engaged, motivated, and involved in the course. Zoom, a cloud-based video conferencing platform, has boomed in popularity becoming the go-to tool many instructors use to host, facilitate, and integrate within their course, as well as to ensure a SoC is fostered and maintained. Guided by the social constructivism theory and community of inquiry (CoI) model, this quick hits piece, aims to answer the question: In what ways might Zoom foster and sustain a SoC community in ERT?
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,010 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».