Readiness of Students for Multi-Modal Emergency Remote Teaching at A Selected South African Higher Education Institution
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 closures of Higher Education Institutions (HEIs) due to the Covid-19 pandemic meant that face to face classes had to be put on hold. However, the growth in information and communication technologies (ICT) made it possible for HEIs to continue with their core activities remotely, primarily using learning management systems (LMSs). The overuse of LMS at the selected HEI resulted in the former’s collapse. The consequence was that management of the institution advised lecturers to use multi-modal emergency remote teaching (ERT) to save the academic year. Lecturers adopted a variety of platforms and approaches, largely depending on their preferences. This study identified the ICT platforms and approaches used by lecturers during remote teaching as well as estimating the readiness of students for emergency remote learning. Readiness was established with the use of the Technology Readiness Index 2.0 (TRI2.0) of the Technology Readiness Model. In addition, the effects of age, gender and level of study on technology readiness were estimated. A self-administered questionnaire was shared with senior students within the accounting department of the selected HEI. Descriptive and inferential statistics were used to analyse the data collected from 243 respondents. The study found that Microsoft teams was the commonly used platform whilst pre-recorded lectures and live classes were the popular approaches used. In terms of technology readiness, the study found that students were not ready as indicated by a low TRI 2.0 of 2.8. Age and study level had a positive effect on technology readiness. To provide the best possible learning experiences to students, lecturers need to understand what worked, what did not and why. The results of this study provide invaluable information and lay a foundation for successful future e-learning projects.
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 | 0,001 | 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 | 0,000 | 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 découle