Through the “Camera Lens”: How Do Students Grasp the Future of Learning via Online Platforms?
Notice bibliographique
Résumé
During the COVID-19 pandemic, the academic world came into contact with a virtual learning environment that allows students and educators to leave the boundaries of space and time and maintain academic interactions at unrestricted times and sites. After three semesters of remote learning, there is a feeling that the return to universities and to closed spaces will deter students and that they will prefer remote learning. Studying from home spares valuable time, time otherwise wasted in traffic jams, as well as petrol and other expenses. Remote learning gives a feeling of freedom, comfort, flexible time, and a better sense of control over one’s studies than in the classroom. The current study, conducted about one year after the outbreak of the pandemic, examined students’ background variables: gender, years of schooling, marital status, financial and employment status – with the goal of exploring the association between these variables and students’ preference for either face-to-face or digital teaching. It is evident from the research findings that after this experience of e-Learning neither of these two methods shows a clear advantage over the other. Was the e-Learning experience during the crisis a one-time, incidental event? Or perhaps, in light of the crisis, academic institutions should prepare for a different type of learning, one that combines face-to-face with digital learning? The study illuminates an issue that is confronting educational institutions in general and academic institutions in particular, i.e., preparations for teaching and learning in the post-crisis world, after the considerable upheaval to which we were subjected.
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 | 0,002 | 0,008 |
| 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 | 0,002 | 0,003 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».