Elementary school teachers’ perspectives about learning during the COVID-19 pandemic
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
How did school closures affect student access to education and learning rates during the COVID-19 pandemic? How did teachers adapt to the new instructional contexts? To answer these questions, we distributed an online survey to Elementary School teachers (N = 911) in the United States and Canada at the end of the 2020-2021 school year. Around 85.8% of participants engaged in remote instruction, and nearly half had no previous experience teaching online. Overall, this transition was challenging for most teachers and more than 50% considered they were not as effective in the classroom during remote instruction and reported not being able to deliver all the curriculum expected for their grade. Despite the widespread access to digital technologies in our sample, nearly 65% of teachers observed a drop in class attendance. More than 50% of participants observed a decline in students' academic performance, a growth in the gaps between low and high-performing students, and predicted long-term adverse effects. We also observed consistent effects of SES in teachers' reports. The proportion of teachers reporting a drop in performance increases from 40% in classrooms with high-income students, to more than 70% in classrooms with low-income students. Students in lower-income households were almost twice less likely to have teachers with previous experience teaching online and almost twice less likely to receive support from adults with homeschooling. Overall, our data suggest the effects of the pandemic were not equally distributed.
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 | 0,004 | 0,002 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 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) | 0,001 | 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