Investigating Characteristics of Learning Environments During the COVID-19 Pandemic: A Systematic Review
Notice bibliographique
Résumé
Dramatic change in learning environments during the COVID-19 pandemic highlighted the significance of virtual learning and led to more interactive learning environments. Quick adoption of online and social interactive learning in many universities around the world raised challenges and emphasized the importance of investigating different learning environments. This paper investigates the accelerated transition in education from traditional learning environments through online learning environments to social innovative learning environments, and the latest trends of this change. The stages of transition were divided into three parts: before, during, and after the COVID-19 pandemic, which was the reason for this accelerated change. Features and characteristics of each stage of transition were analyzed and discussed, based on the following factors: edu-space and classrooms, the learning and teaching process, curricular choices, information and communication technology applications, students’ and educators’ perceptions, edu-approaches, and knowledge transformation. A systematic review approach was used to investigate learning environments based on the literature reviews of previous publications. Analysis of these features revealed the main characteristics and differences in each stage. New trends in online learning environments and social innovative learning environments were identified including cloud platforms, massive open online courses, digital learning management systems, open educational resources, open educational practices, m-learning, and social network applications. Finally, this study makes two recommendations: 1) the adoption of online learning environments and social innovative learning environment applications to continue the e-learning process during the pandemic, and 2) the enhanced usage of online learning environments and social innovative learning environment applications in the future by educational institutions and governments.
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 | 0,013 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,016 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».