Weaknesses in Emergency Remote Teaching in Higher Education Within the Context of the ODL Learning Component in Turkey
Notice bibliographique
Résumé
In critical situations caused by crises such as a pandemic, emergency remote teaching (ERT) practices might not be effective because they depend mostly on on-the-spot decision-making. On the other hand, open and distance learning (ODL) has its own dynamics and is a well-planned system. In order to put quality ODL plans into practice in crisis situations, contingency plans, created before any crises, are required. Past crises ought to be examined in order to cope with future crises effectively. This study aims to identify weaknesses in ERT practices in higher education within the context of the learning component of ODL system by focusing on COVID-19 and using it as an example of a past crisis. Exploratory case study was the method used. The study group consisted of 14 faculty and 14 learners from 14 higher education institutions. Qualitative data were collected via semi-structured interviews and documents. The data were analyzed using descriptive and content analysis. Research findings revealed that ERT has many weaknesses in several themes within the context of the learning component of the ODL system; these include teaching method, course structuring, and e-learning materials, among others. In light of the findings, it can be concluded that many factors influence challenges in ERT. Accordingly, to be able to move from ERT to ODL in the next crisis, these weaknesses need to transform into solutions in advance.
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 | 0,008 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».