Interakcijski aspekti onlajn-nastave stranih jezika na univerzitetskom nivou u doba pandemije virusa korona
Notice bibliographique
Résumé
Razvoj pandemije izazvane virusom korona doveo je do velikih promena u procesu nastave i učenja, budući da je klasičan oblik nastave zamenjen onlajn-nastavom. Kako bi se omogućila realizacija nastavnog procesa, univerziteti su stavili na raspolaganje nastavnicima i studentima platforme i alate za onlajn-nastavu koji omogućuju različite vrste sinhrone i asinhrone interakcije. Cilj ovog rada jeste da se utvrde načini ostvarivanja najvažnijih tipova interakcije u okviru onlajn-nastave (interakcija student - nastavnik, student - student i student - sadržaj), njihov stepen i da se ukaže na eventualne nedostatke. Istraživanje je sprovedeno na Filozofskom fakultetu Univerziteta u Novom Sadu tokom akademske 2020/2021. godine i u njemu su učestvovali studenti koji uče francuski i španski kao obavezni, odnosno izborni jezik. Sprovedeno istraživanje je anketnog tipa, a dobijeni podaci analizirani su kombinacijom kvalitativnih i kvantitativnih postupaka. Rezultati istraživanja su pokazali da kombinacija dveju platformi za učenje na daljinu, od kojih je jedna sinhrona, a druga asinhrona, predstavlja najbolje rešenje za razvijanje svih navedenih oblika interakcije. Takođe, na osnovu sprovedene analize može se zaključiti da je većina studenata zadovoljna načinom na koji su ovi vidovi interakcije ostvareni u virtuelnom okruženju. Uloga nastavnika je u znatnoj meri izmenjena u odnosu na tradicionalnu nastavu i veoma je kompleksna. Nastavnik više nije samo prenosilac znanja, već medijator, facilitator, vodič, saradnik, pedagog i psiholog. Budući da se i forma didaktičkog materijala promenila i postala digitalizovana, od studenata se očekuje aktivno angažovanje u onlajn-nastavi, kako u sinhronoj, tako i u asinhronoj. Kada je reč o prvom tipu interakcije: student - nastavnik, treba napomenuti da je, osim platformi za elektronsko učenje, i imejl korišćen u velikoj meri kao sredstvo komunikacije. Nastavnici su pokazali visok stepen razumevanja prema studentima i novonastaloj situaciji i bili su skoro uvek dostupni. Ovaj tip interakcije se pokazao naročito pogodnim, kako za introvertne i za anksiozne osobe, tako i za studente koji su u radnom odnosu. Kada je reč o interakciji student - student, studenti su koristili već poznate aplikacije i društvene mreže za međusobnu komunikaciju, bilo da je u pitanju grupni rad ostvaren radi izrade određenih zadataka, bilo da je reč o komunikaciji za druge potrebe. Kada je u pitanju interakcija student - sadržaj, studenti su lako pristupali didaktičkim materijalima koji su im bili dostupni sve vreme, a osim toga, nastavnici su im sugerisali da koriste i druge multimedijalne sadržaje dostupne na internetu. Međutim, prilikom odabira didaktičkog materijala treba imati u vidu fenomen hiperkonekcije, opterećenje studenata i činjenicu da se onlajn-predavanja i konsultacije održavaju u tačno određenom i ograničenom vremenu. Budući da se nastava nije izvodila u klasičnoj učionici i da studenti nisu imali mogućnost da direktno, tj. uživo komuniciraju sa predmetnim nastavnicima, kod pojedinih studenata pojavio se osećaj izolovanosti i nesigurnosti, što im je predstavljalo dodatne poteškoće tokom učenja. Na osnovu svega navedenog dajemo nekoliko predloga za poboljšanje ova tri tipa interakcije i nastave stranih jezika na daljinu uopšte. Trebalo bi da nastavnici koriste najviše dve platforme, jednu asinhronu (kako bi studenti mogli da se individualno prilagode usvajanju novog nastavnog sadržaja) i jednu sinhronu (kako bi mogli da komuniciraju u realnom vremenu). Takođe, neophodno je podsticati studente da češće komuniciraju sa predmetnim nastavnikom i ostalim studentima radi aktivnijeg odnosa prema učenju i veće motivacije. Važno je da se nastavnik prilagodi novonastalim okolnostima i da koristi platforme i digitalne alate kojima se postiže bolja realizacija nastave. Takođe, treba uvek biti u korak sa vremenom i uvoditi inovacije u nastavnu praksu, vodeći računa o kontekstu u kojem se izvodi nastava i uzimajući u obzir potrebe studenata.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,015 | 0,007 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».