Understanding the Impact of COVID-19 on Students in Institutions of Higher Education
Notice bibliographique
Résumé
United States institutions of higher education (IHEs) transitioned to online learning in response to the COVID-19 pandemic, and guidelines to reduce risk of spreading or contracting the disease. This large scale, impromptu transition to online learning had implications for students, and IHEs. This study used a survey design to explore the impact of the COVID-19 pandemic on students in IHEs, including the impact of the move to online learning on students learning and well-being. Recruitment focused on college students in IHEs, with a sample drawn from 17 IHEs across America (n = 501). We developed a 91-question survey, to collect information regarding impact of COVID-19, and pandemic-related transition to online learning on participants, as well as participants’ well-being. We measured student well-being using the following measures: the Generalized Anxiety Disorder Assessment (GAD-7), the patient Health Questionnaire (PHQ-9), Perceived Social Support scale (PSS), and Multidimensional Scale of Perceived Support (MSPSS). Students with disruptions to online learning were likely to be more stressed, and more anxious. About 88% of students reported facing disruptions to online learning from family members, friends, or pets. Overall, students reported moderate to high levels of stress, anxiety, and depression. And, relatively low levels of perceived social support. The impact of COVID-19 on college students and student learning are multifactorial and represent a combination of benefits and burdens. It is imperative that we take lessons learned for this pandemic and apply it to future learning.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 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 ».