E-learning Challenges in the Era of Covid-19: The Georgian Case
Notice bibliographique
Résumé
Digital literacy became an essential skill for learning, living and working. Therefore, the Internet remains a main part of modern life, constantly evolving and facilitating people’s lives. The global Covid-19 pandemic has made the issue of effective use of information and communication tools and proper possession of digital skills and its importance even more urgent. Higher education around the world has largely shifted to a distance/online-learning format. Covid-19 pandemic has affected many countries on a large scale, and Georgia's higher education system was no exception. Due to the wide-scale spread of the virus and in order to reduce the disastrous consequences, the state decided to continue education throughout Georgia remotely through online learning platforms, which posed a number of challenges for representatives of higher education institutions, as well as academic staff and students. The transition to online teaching has also created problems in the process of fully implementing student support activities. As the university mandates the creation of a student-friendly environment, to offer relevant services, to inform and support students with low social status and students with disabilities, it became a great challenge for Georgian universities to provide socially disadvantaged students with the resources needed for E-learning. The study is about Georgian case, how effective Georgian government managed learning prosses in the period of Covid-19 pandemic; What kind of challenges students had in this period and what are their vision regarding the online learning and its perspective for future development of teaching/studying process.
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».