Students’ Readiness and Perception on the Effectiveness of Online Education Post Covid-19 Pandemic
Notice bibliographique
Résumé
This research reveals students' readiness and perceptions of online learning post the COVID-19 pandemic. Online learning has gained significant popularity during the COVID-19 pandemic. This learning method offers flexibility and convenience for students, however now that learning in higher education institutions has returned to normal, how students' perceptions of online learning are fully debated in this study. Three hundred and eight students from local universities in Indonesia took part in a quantitative study to explore the satisfaction and effectiveness of online learning. This research is a cross sectional study completed by making an association between various parameters using an independent t-test and one-way ANOVA. The findings report that most of the students are dissatisfied with online learning and only the facts find that it is effective for their learning. It is based on the facts that both genders are equally ready for online learning after the post Covid-19 pandemic. It is proved by Welch test indicating that there was no significant difference in readiness for online teaching between gender (t= 0.089, p = 0.935). There is no significant difference in gender in their perception on the effectiveness of online learning. A negative t-value indicates (t = -0.45, p = 0.653). And there is no significant difference among the students from different faculties in their readiness for online learning based on one-way ANOVA test showing that p<0.05 level on the effectiveness of online learning post-covid [F(5, 127) = 3.714, p =0.004] and the readiness for online learning was not statistically different between faculties [F(5, 127) = 0.827, p =0.533]. Refer to online learning. The study concluded that a fully online mode may not be suitable for all types of learners. Instructors and institutions need to recognize these issues and provide appropriate supports and solutions to improve the effectiveness of online education.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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) | 0,006 | 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 ».