Exploring Online Learning: Student Feedback on Factors for Effective Online Learning Post COVID-19
Notice bibliographique
Résumé
This paper reports on a study of students’ views of online learning, the obstacles and challenges they experience, as well as their suggestions for improving the online learning model. The COVID-19 pandemic resulted in an unprecedented move for traditional post-secondary institutions from mostly in-person learning pre-pandemic to a quick transition to online learning to comply with pandemic-related restrictions. Despite years of progressive growth in the use of the online learning model before COVID, for many post-secondary students, this emergency remote teaching was their first exposure to an entirely online learning experience. Students who might otherwise have not selected to study online were suddenly obligated to do so. Yet, there is an associated behavioural and technological learning curve for students to overcome to be comfortable and academically succeed with online learning. The goal of this study is to discern students’ experiences, motivations, benefits, and barriers with online education and how this shapes their intention of continuing or not with online learning. To investigate this, we conducted a survey of 177 Canadian post-secondary using open-ended questions. Qualitative data analysis was used to arrive at the primary findings related to themes of 1) technology learning curve, 2) accessibility, 3) engagement, 4) agency, 5) distraction and procrastination, 6) support, and 7) isolation. These findings can aid universities and colleges to understand student views on online learning and, hence, to design and support this form of education more effectively.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».