Balancing Technology, Pedagogy and the New Normal: Post-pandemic Challenges for Higher Education
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
Abstract The Covid-19 pandemic has presented an opportunity for rethinking assumptions about education in general and higher education in particular. In the light of the general crisis the pandemic caused, especially when it comes to the so-called emergency remote teaching (ERT), educators from all grades and contexts experienced the necessity of rethinking their roles, the ways of supporting the students’ learning tasks and the image of students as self-organising learners, active citizens and autonomous social agents. In our first Postdigital Science and Education paper, we sought to distil and share some expert advice for campus-based university teachers to adapt to online teaching and learning. In this sequel paper, we ask ourselves: Now that campus-based university teachers have experienced the unplanned and forced version of Online Learning and Teaching (OLT), how can this experience help bridge the gap between online and in-person teaching in the following years? The four experts, also co-authors of this paper, interviewed aligning towards an emphasis on pedagogisation rather than digitalisation of higher education, with strategic decision-making being in the heart of post-pandemic practices. Our literature review of papers published in the last year and analysis of the expert answers reveal that the ‘forced’ experience of teaching with digital technologies as part of ERT can gradually give place to a harmonious integration of physical and digital tools and methods for the sake of more active, flexible and meaningful learning.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle