From Crisis to Continuity: Exploring Students’ Perspectives on the Future of Online Learning Beyond COVID-19
Notice bibliographique
Résumé
As we live in the post-COVID-19 era, much research should be devoted to guiding educators and policymakers on what to retain, revise, or even eliminate from the online learning experience. This study aimed to provide a deeper understanding of the students’ behavioural intention to continue using technology in the post-COVID-19 era. The study was grounded in a well-known theoretical model for assessing technology adoption, the Technology Acceptance Model (TAM), expanded by adding the following external variables: accessibility (ACC), anxiety (ANX), feedback (FB), computer playfulness (CP) and perceived enjoyment (PNJ). A total of 134 undergraduate students from both public and private universities and colleges in Oman were included in the study. Data was collected through the administration of a Likert-scale questionnaire and analysed using descriptive tests and the Smart-PLS technique. The study’s main findings revealed that ACC, ANX, CP, and PNJ had a significant impact on Perceived Ease of Use (PEOU), while no such effect was observed on Perceived Usefulness (PU). Notably, the study concludes that students exhibit a high intention to continue using technology. The study underscores the increasing familiarity of interactive technology tools among teachers and students, a trend accelerated during the pandemic. However, a recommendation is made for the development of a comprehensive framework by educational stakeholders, including policy professionals and teachers, to specify the strategic use of technology and its intended purpose.
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 | 0,005 | 0,011 |
| 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 | 0,007 | 0,006 |
| Communication savante | 0,014 | 0,009 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».