Developing an educational framework for using mobile learning during the era of COVID-19
Notice bibliographique
Résumé
This paper focuses on the impact of fear emotion upon technology adoption by educators and students during Covid-19 pandemic. Mobile learning (m-learning) has been applied as the educational social platform within higher education institutes, public as well as private. The research hypotheses were associated with the Covid-19 influence on m-learning adoption with the rise of the coronavirus increasing types of fear. Such fears include fear caused by the education failure, family lockdown, and loss of social relationships. Teachers and students are mostly fearful of these aspects of the situation. An integrated model was established within the research, using theoretical models; the Planned Behavior theory, the Technology Acceptance Model, and the Expectation-Confirmation Model. The proposed integrated model (using PLS-SEM software) was analyzed using an online survey data, with 420 respondents from Zayed University, UAE. The findings indicated that attitude was the best predictor for using the m-learning system, followed by continuous intention, expectation confirmation, perceived usefulness, ease-of-use, perceived fear, behavioral control, and satisfaction. According to the research, during the coronavirus pandemic, if the m-learning system is adopted for educational reasons, the learning and teaching outcome proves quite promising. Yet there is a fear of the family being stressed, or of loss of friends, and also a fear of the results of future schooling. It is therefore necessary to assess the students efficiently during this pandemic so that the situation can be managed emotionally.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».