South African Secondary School Discussions on Digital Learning and Pandemic Preparedness
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 outbreak of the COVID-19 pandemic in 2020 revolutionised the education sector across the world and forced schools to embrace online learning. Schools had to scramble for alternatives to face-to-face learning to curb the spread of COVID-19 while ensuring that learning was not disrupted. With the second wave of the COVID-19 pandemic cropping up at the beginning of the 2021 academic year and a growing number of teachers contracting the virus, schools were forced to close temporarily or adjust learning models to continue with remote teaching and learning. This required schools to deal with the challenges of infrastructure and a shortage of teachers, as well as provide learners with access to technology and reliable internet connections that would allow them to study remotely and prepare teachers for online pedagogies. To this end, this study explored secondary teachers’ experiences with the transition to remote learning during the COVID-19 pandemic lockdown and their readiness to embrace online learning as the second wave of the COVID-19 pandemic wreaked havoc on the entire globe. The study was underpinned by the technology acceptance model and adopted a qualitative research design, generating data from 10 teachers using focus group discussions. An inductive thematic framework was used during the data analysis segment. The study found that schools encountered a variety of digital complexities to overcome, such as digital literacy and online teaching capabilities, multimodal learning, postlockdown teaching and educational leadership and appropriate learning management systems.
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 | 0,000 | 0,000 |
| 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) | 0,001 | 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