Online Student Engagement: The Overview of HE in Indonesia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The use of technology in higher education learning has been shown to increase student engagement. However, how its application can increase student engagement is still largely unreported in Indonesia, especially during and after COVID-19, when online learning was used massively and suddenly. This study aims to examine students’ engagement with online learning using a sequential explanatory mixed-method study design that is expected to produce in-depth information. The study involved a number of n = 775 students, with 149 participants who identified themselves as male (19.3%) and 626 participants who identified themselves as female (80.7%). The age range of the participants was 18 to 22 years (M-age = 20.12). Quantitative data analysis was carried out using descriptive tests and ANOVA variance tests, while qualitative data analysis was carried out using thematic analysis. Integration of quantitative and qualitative data analyses results was conducted using a joint display approach. The results showed that 94.45% (n = 732) of students had low engagement scores. Gender and field of study were found to have no effect on the level of student engagement in online learning (F 1,775 = 3.259, p = .071, η2 = .004). Data integration results showed that online learning reduces emotional attachment, participation, and performance, although it does not reduce students’ skill engagement. Based on student experience, online learning is considered less effective than in-person learning. Students with higher self-regulation show engagement in online learning. The online learning model needs an effective formula for increasing student engagement, in addition to help students develop self-regulation skills.
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.
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 | 0,012 | 0,004 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle