Pre-Service Teachers’ Levels of Adaptations to Remote Teaching and Learning at A University in A Developing Country in the Context of COVID-19
Notice bibliographique
Résumé
The outbreak of Covid-19 pandemic has not only caused fear and uncertainty in the education systems across the globe, but it brought about a fundamental paradigm shift in the mode of teaching and learning. Higher education drastically transitioned to remote/ online delivery even for the students who had enrolled for face-to-face mode of teaching and learning. The paper is premised in the context of a developing country that such a drastic change could have widened the digital divide between students from privileged homes and those from disadvantaged families as students did not receive adequate technological training and to even acquire the necessary electronic devices. Consequently, the study sought to establish the levels of adaptation to remote teaching and learning by university students herein referred to as pre-service teachers. Following a quantitative research design, an online questionnaire survey was administered to 157 pre-service teachers enrolled in a Life Sciences Methodology module at a South African university. Data was analysed using SPSS version 26 and descriptive statistics, exploratory analysis of the questionnaire constructs and One-Way ANOVA tests were conducted to compare pre-service teachers` perceptions, experiences and preparedness. The results showed that the disparities and inequalities that exist in different South African contexts in which pre-service teachers hail from, dictated their levels of adaptations to remote teaching and learning. Those from disadvantaged backgrounds were less adapted as they struggled more when it comes to acquisition of electronic gadgets and connectivity to facilitate remote learning compared to those from advantaged backgrounds. This study affirms the call for education institutions and governments to rethink ways of closing the gap between the poor and the rich in education in terms of resource and other support mechanisms.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».