MétaCan
Menu
Retour à la cohorte
Enregistrement W4381337833 · doi:10.1080/17482798.2023.2222187

How the COVID-19 shutdown revealed the effectiveness of a northern Nigerian educational media program

2023· article· en· W4381337833 sur OpenAlexfundno aff
Dina L. G. Borzekowski, Lauren E. Kauffman, Lauren Jacobs, Mamun Jahun, Hadiza Babayaro

Notice bibliographique

RevueJournal of Children and Media · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueChild Development and Digital Technology
Établissements canadiensnon disponible
Organismes subventionnairesGrand Challenges Canada
Mots-clésShutdownCoronavirus disease 2019 (COVID-19)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakShut downPandemicPsychologyVirologyEngineeringMedicineNuclear engineering

Résumé

récupéré en direct d'OpenAlex

A team of researchers were investigating the impact of a Nigerian adaptation of Akili and Me when the COVID−19 pandemic struck. Schools shut down, interrupting the study’s quasi-experimental intervention design. Post-school reopening, researchers recontacted 363 children (mean age = 5.1, SD = 1.1 years) who had provided data at baseline and had completed the intervention. The analyses revealed that during the shutdown, participating children watched Akili and Me, beyond the exposure experienced through the study intervention. Across viewing groups and including the control group, researchers found the children knew the program’s characters using a program receptivity score. The researchers found no differences associated with study’s initial group assignments. Those children who could name more Akili and Me characters performed significantly better on the outcomes of literacy, numeracy, shape, socio-emotional development, controlling for sex, age, baseline score, and group assignment. This study offers promising evidence that locally-produced educational media interventions can impact early learning skills, especially during a crisis when children rely on educational media for home 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,114
Score d'incertitude au seuil0,557

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,302
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Children and MediaMême sujetChild Development and Digital TechnologyTravaux en français237 207