The Adoption of Online Learning during the Pandemic: Issues, Challenges, and Future Directions
Notice bibliographique
Résumé
The Covid19 Pandemic has shifted the entire momentum of the traditional education processes into an environment where students experience difficulties in the E-Learning program. This study determines the challenges encountered in the duration of the E-learning and its' effect on students' perceived learning and satisfaction during the Pandemic. The investigation study formulated an aggregate of 313 respondents on a snowball inspecting strategy. Frequency and simple percentage, weighted mean, Chi-Square Test of Independence, and One-way ANOVA were used to treat and interpret the data. The findings revealed that the students encountered difficulties through course quality, peer interactions, learning diversification, user-friendliness, and course design. Additionally, it was revealed that how they perceived these difficulties affects their perceived learning and satisfaction in the E-learning process. It was found out also that a higher level of challenges would associate with dissatisfaction and lower student perception in education. The study concluded that E-learning is a platform that should be present in the teaching and learning modalities in all institutions regardless of the situation. Additionally, the course quality, peer interactions, learning diversification, user-friendliness of the process, and its course contribute to increasing the student's perceived satisfaction in E-learning. Generally, the impact of the Covid 19 pandemic provides a manifestation that to improve student perceived learning and satisfaction; there is a need to intensify the execution in the administration, teachers, and the learning management systems used in a Higher Education Institution.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| 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 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 ».