Elementary school teachers’ perspectives about learning during the COVID-19 pandemic
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.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».