Investigation of Teacher Support and Teacher Training During the COVID-19 Pandemic: Tools and Skills Moving the Classroom Forward
Notice bibliographique
Résumé
Teaching remotely from home is now compulsory for lecturers as schools across the globe have closed due to the COVID-19 pandemic. A marriage of technology and teacher training is required to help educators deliver lessons effectively online. This research aimed to 1) investigate the type of technological support teachers need to teach online during and after the COVID-19 pandemic; 2) identify the type of teacher training needed during and after the pandemic; and 3) assess teachers’ satisfaction towards their training in relation to their needs. This study utilized a mixed methods research design and included a sample of 59 teachers studying for a Master’s degree in Curriculum and Instruction, majoring in English language at an open university in Thailand. Data were analyzed using the Statistical Package for the Social Sciences (SPSS) to compute means and standard deviations. In addition, qualitative data derived from a questionnaire were analyzed using typological analysis. The research findings showed: 1) the “fundamental technologies” teachers need for online teaching include computers or other computing devices, a reliable and stable-as-possible internet connection, a microphone, and a headset and camera; and 2) the task of implementing engaging lessons online and supporting students to use ICTs for projects or class work placed particular training demands on teachers. Specifically, they required: (1) training to build knowledge of the basic functions for undertaking virtual teaching and learning; (2) access to meaningful and relevant content to create lessons for students, and (3) online worksheets and projects for students.   
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 | 0,003 | 0,013 |
| 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 | 0,001 |
| 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 ».