Remote learning during COVID-19 and transformative learning theory: tendency towards Quadruple Helix Model for future post-secondary education in Indigenous contexts
Notice bibliographique
Résumé
Abstract This paper aims to examine UCN (University College of the North) students’ remote learning experience during the COVID-19 pandemic to provide reference for future remote education in Indigenous contexts. Survey data are used for empirical analysis of the five themes: socio-demographic contexts; social activities, stress, and well-being; academic performance; course delivery; and student support services. Transformative learning theory and Quadruple Helix Model are used as a framework to explore the breadth and depth of such five themes. As the descriptive study shows, the majority of UCN students are over 25 years old and study in their first and second year with major challenges such as Internet connectivity, private space, and interruption. Mean values reveal that the remote learning performance is determined by concerns about COVID-19 infection, mental and physical health, isolation and lack of socio-cultural activities, students’ self-preparedness and motivation, and support services. The regression analysis shows that students’ concerns about COVID-19 infection interference with course completion are directly affected by their worries about themselves or someone in their families who could be exposed to COVID-19, their mental health, and blended course delivery. Therefore, students’ remote learning performance and their well-being will be enhanced if we take into consideration improving social distancing, educational technology, and course delivery with community-university culturally responsive collaboration. The research findings and the reviewed literature attest that transformative learning theory fits UCN’s remote learning practices to meet educational goals through the university-community collaboration, which is supported by the Quadruple Helix model. As a result, such remote learning practices engage students, particularly Indigenous students, and the practices will help upgrade universities with similar attributes globally into Mode 3 university, contributing to community economic development.
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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 ».