Teaching in Tough Times: Examining EFL Teachers’ Perceptions of Online Learning Challenges in the Context of Higher Education in Saudi Arabia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The global spread of online learning is noticeable and has further expanded due to the COVID-19 pandemic. Although this mode of learning is effective, several concerns have been raised by teachers. This qualitative study aimed to explore English as a Foreign Language (EFL) teachers’ perceptions of the online learning environment in order to uncover the challenges they face while teaching online. To achieve this objective, semi-structured interviews were conducted with 25 EFL teachers from the Preparatory Year Program (PYP) at King Abdulaziz University (KAU) in Jeddah, Saudi Arabia to examine their perceptions of online teaching. The transcribed interviews were coded using NVivo®, after which a thematic analysis was employed to reveal the emerging themes. The results showed challenges related to four main themes: students; institution; teachers; and the system, as well as a number of sub-themes. This study found that the most significant challenge that EFL teachers faced in an online learning environment was related to students, specifically their participation, motivation, tendency to cheat during online exams, and not taking responsibility for their learning. Another major challenge was the result of copying face-to-face learning to the online learning environment without making suitable adjustments. This research also shed light on some of the negative consequences of online learning for EFL teachers; its findings could help institutions and policymakers to modify content and support teachers by training them to develop their online teaching skills.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découle