Turkish Teachers’ Attitudes Towards Distance Learning During the Covid-19 Pandemic
Notice bibliographique
Résumé
All schools in Turkey have switched to distance learning since the onset of the pandemic. This paper investigated Turkish teachers’ attitudes towards distance learning based on different variables. This study adopted a mixed research design employing both quantitative and qualitative data collection methods. The sample consisted of 292 Turkish teachers. The qualitative stage involved 292 Turkish teachers, while the qualitative stage involved ten Turkish teachers. Data were collected using a demographic characteristics questionnaire and the Distance Learning Attitude Scale (DLAS) developed by Ağır (2007). Frequency, percentage, arithmetic mean, and standard deviation were used for analysis. A t-test was used to determine whether participants’ attitudes towards distance learning differed by “gender” and “degree.” An ANOVA was used to determine whether participants’ attitudes towards distance learning differed by “work experience” and “knowledge and experience in distance learning.” The Mann-Whitney U test was used to determine whether participants’ attitudes towards distance learning differed by “school type.” A Scheffe’s Test was used to make posthoc comparisons to determine the source of significant differences. Qualitative data were collected through focus group interviews using a semi-structured interview form (n=10). The qualitative data were analyzed using content analysis. The results showed that participants had positive attitudes towards some aspects of distance learning, whereas they had negative attitudes towards others. Their DLAS scores significantly differed by “school type,” “work experience,” and “knowledge and experience in distance learning” but not by “gender” and “degree.”
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».