Virtual Education in English Literature Courses during Pandemic COVID-19: Merits and Demerits, and Needs
Notice bibliographique
Résumé
Distance education and e-learning became widespread and necessary with the miracle of the internet and its increasing influence among the individuals much within the days of a pandemic outbreak of COVID-19. Many universities, institutions, and learners encourage using e-learning and begin growing in this field. This paper examines the merits and demerits of distance and online education teaching for English literature educators and students. Technology and increasing demand for education, traditional strategies do not meet the growing requirements of academic communities and virtual education and e-learning with all their benefits and drawbacks attempt to meet these needs. This paper investigates e-teaching and e-learning infrastructure, needs, benefits, and limitations, in addition to opportunities and challenges of online education within the days of the coronavirus occurrence. The research method of the current study was conducted through a library study along with empirical study and descriptive analysis. New challenges of English literature educators and students in pandemic COVID-19 were identified and new approaches to remove the constraints are suggested. The results confirm online education is a constant educational need not limited to pandemic period and have to be compelled to develop productivity and creativity in learning with the appearance of recent technologies such as computers, the web, and social networks. These skills development can assist educators to find solutions for these difficulties in various areas of educational, cultural, and social issues. Blended learning can contribute to post-pandemic English literature classes and sustainable higher education.
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 | 0,007 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».