Digital Inequalities to Digital Inclusion in Online Learning: Viewpoints of <scp>LIS</scp> Educators Seeking to Bridge the Disparities
Notice bibliographique
Résumé
ABSTRACT Academics argue that the COVID‐19 pandemic has limited students' ability to learn, with significant digital inequities occurring between students from the global North and the global South. Students and academics from developing nations encountered particular challenges and difficulties with the move toward online styles of learning. Much like their colleagues from developed countries, they were unprepared for this predicament, but on top of the crisis context, deeper issues were having to do with digital inequalities and disparities that were exacerbated by the inadequate digital infrastructure (smart devices/gadgets, internet access, and speed) and online interaction abilities and practices. The goal of this panel is to address the pressing issue of digital inclusion in online education, specifically the broader challenge of ensuring that online education is accessible to all. As information researchers continue to work towards enhancing online learning, it is crucial to address the disparities in the sharing of information and knowledge and to bridge the gaps that exist across communities and nations. The panelists (three of whom work in developed countries and two in developing countries) will relate their experiences and viewpoints thus bringing their knowledge to bear in examining the concepts of digital inequality and digital inclusion. The rest of the session will be devoted to discussions and brainstorming with attendees around these issues, with special attention being given to perspectives that seek to bridge the disparities and promote inclusion in 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 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 | 0,001 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| 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 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 ».