A longitudinal Q-study to assess changes in students’ perceptions at the time of pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic forced many universities and colleges to rapidly adopt online course delivery. As with any new foray, realizing the optimal aspects of a course to change became incredibly important for course instructors. In this study, we used a particularly sensitive method, i.e. Q-methodology, to evaluate changes based on students' perceptions from fall 2020 to winter 2021. Q-methodology is commonly used to uncover shared values, opinions, and preferences. Using Q-methodology, students participating in both semesters of an undergraduate anatomy and physiology course were surveyed in fall 2020 and winter 2021. The Q-sample included 44 statements. Data from fall 2020 were treated as the baseline and changes in students' perceptions from 2020 to 2021 were assessed. In total, 31 students completed both fall 2020 and winter 2021 course evaluations. Three salient factors emerged from the fall 2020 evaluation: Overtaxed students, Solo Achievers, and In-Person Learners. At the baseline, students were concerned mostly about the delivery of the course, then the winter 2021 evaluation showed how they were adjusting to online learning. The longitudinal Q-study proved to be robust in identifying changes in perceptions. These granular findings indicate how students might differ in viewing and evaluating online courses. This methodology can be used in redesigning and restructuring different components of an online course in higher education settings.
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 | 0,014 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».