Challenges and Solutions of Online Language Teaching and Assessment During Covid-19
Notice bibliographique
Résumé
The Covid-19 pandemic which began in March 2020 can be construed as the biggest change of the century, in terms of the adjustments in quality of life, economic, social, and education factors. The biggest change was seen in terms of interaction due to the lockdown, where physical interaction is no longer allowed during the early phase of the pandemic. Subsequently, all educational sectors were forced to close, and remote or online learning was the new norm. The sudden change affected all teachers and instructors from around the world, but this study is particularly interesting to know the effect towards language instructors in their online teaching and assessments. In particular, this study aims to investigate the challenges faced by language instructors during online learning and assessment amid the Covid-19 pandemic, and to provide recommendations for remote or online learning if faced by future crises. This study employs a qualitative method approach through focus group interviews. The focus group interviews were analysed using thematic analysis. The findings demonstrate that the main challenges in online teaching include technological issues, creativity, interactions, class duration, inaccessibility issues and student emotional support, whereas the challenges in conducting online assessments are in terms of the different evaluation platforms, the issue of plagiarism and authenticity, marking or grading online assessments and assessing non-verbal cues.
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 | 0,025 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,005 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».