Covid 19 and Education” The Untold Story of the Barriers to Technology Adoption From A Tertiary Viewpoint
Notice bibliographique
Résumé
The Covid- 19 Pandemic has changed the way Higher learning institutions normally conduct learning. Educational technology is a learning tool that helps lecturers enhance learning through instructional practices; however, lecturers are having difficulties adopting technology. The purpose of this study was to examine the barriers that lecturers’ face when attempting to adopt technology and the support needed to be successful within their instructional practices. The conceptual frameworks for this study were Bandura’s self-efficacy theory and Rogers’ diffusion of innovation. The study included eight lecturers from a Caribbean college in Antigua and Barbuda as participants. Data were collected through interviews and analyzed using open coding and thematic analysis. Findings from the study indicated that there were barriers that were preventing lecturers from adopting technology. These barriers included the need for professional training, institutional support, and observational learning of others which would assist with lecturers’ pedagogy, content knowledge, and technology adoption. The results of the study may lead to social change by revealing potential barriers that lecturers face during technology use. The study can also provide both lecturers and stakeholders with data that is Caribbean-specific and can provide the most effective plan to support lecturers’ adoption of technology. Keywords: Barriers to Technology Adoption, Caribbean lecturers’ hindrances to technology adoption, Covid-19, Barriers to technology adoption in Higher Learning DOI: 10.7176/JEP/12-10-02 Publication date: April 30 th 2021
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 | 0,001 |
| 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 | 0,001 | 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 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 ».