Modern Tools for Increasing the Effectiveness of Distance Education in the Conditions of Digitalization
Notice bibliographique
Résumé
The current stage of developing digital technologies creates favorable conditions for intensifying the improvement of innovative distance education tools, the need for which is due to the intensification of the latest challenges and dangers. The research purpose is to substantiate the theoretical and applied principles of identifying the influence of modern tools for increasing the effectiveness of distance education in the conditions of digitalization. The methodological basis of the research includes general scientific and special methods of economic analysis and fundamental scientific investigation, in particular: system analysis, synthesis, scientific abstraction, comparison, analogy, statistical analysis, cluster analysis (k-means method), tabular, graphic, generalization, and systematization. The research results have revealed that the effectiveness of distance education in the conditions of digitalization significantly depends on the country’s development level. It has been found that three groups stand out among European countries, characterized by different levels of digitization and quality of distance education: highly developed countries (Denmark (MID: 0,90–1,00), Estonia (MID: 0,78–0,83), Ireland (MID: 0,76–0,80), Luxembourg (MID: 0,79–1,00), the Netherlands (MID: 0,91–0,95), Germany (MID: 0,81–0,88), Finland (MID: 0,88–0,90), Sweden (MID: 0,83–0,88); countries with an intermediate level of development (Bulgaria (MID: 0,58–0,62), Spain (MID: 0,62–0,64), Cyprus (MID: 0,64–0,67), Lithuania (MID: 0,63–0,66), Malta (MID: 0,64–0,70), Poland (MID: 0,54–0,64), Portugal (MID: 0,61–0,64), Romania (MID: 0,54–0,60), France (MID: 0,73–0,73), the Czech Republic (MID: 0,61–0,64), Slovenia (MID: 0,63–0,65), Azerbaijan (MID: 0,59–0,63) and countries with a low level of development (Greece (MID: 0,48–0,51), Italy (MID: 0,55–0,58), Latvia (MID: 0,55–0,59), Hungary (MID: 0,47–0,52), Slovakia (MID: 0,51–0,55), Croatia (MID: 0,46–0,50), Armenia (MID: 0,47–0,56), Georgia (MID: 0,48–0,50), Moldova (MID: 0,42–0,48), Ukraine (MID: 0,41–0,84). It has been proven that the most common digital tools for increasing the effectiveness of distance education are Viber (86,7%), an educational platform determined by the educational institution (60%), YouTube lessons (39,3%), Skype (13,3%) and Facebook (6%). It is proposed to increase the effectiveness of distance education by deepening society digitalization in countries with a low level of development and providing them with methodological assistance on the part of highly developed countries.
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 | 0,004 | 0,001 |
| 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) | 0,000 | 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 ».