The Effects of COVID-19 on Higher-Education Teaching Practices
Notice bibliographique
Résumé
In 2020, Canadian higher education institutions shifted to online teaching due to the COVID-19 pandemic. While many instructors were unfamiliar with online teaching, this transition resulted in widespread innovation in the use of digital technologies and pedagogical practices. This research study focused on the significant impact of the shift to online teaching on three areas: digital tools use, immediate teaching practice, and future teaching practice. Data from 35 survey respondents and six focus group participants indicated that most instructors were comfortable with the new tools they used online, but experienced specific challenges with breakout rooms and students understanding their role in the learning process. Specific changes in immediate teaching practice included co-creating learning spaces, different ways of connecting with students, and the democratization of learning. Perhaps the most significant impact of the COVID-19 transition period was on future in-person teaching including increased use of digital tools, structural reorganization of classes, enthusiasm for teaching, and an increased appreciation for in-person environments. Keywords: community of inquiry, communities-of-practice, COVID-19, diffusion of innovation, digital innovation, faculty supports, fully online learning community, online teaching, pandemic, professional development, TAM, TPACK, transactional distance theory, UDL, universal design for learning Les effets de la COVID-19 sur les pratiques pédagogiques dans l’enseignement supérieur Résumé : En 2020, les établissements d'enseignement supérieur canadiens sont passés à l'enseignement en ligne en raison de la pandémie de COVID-19. Alors que de nombreux enseignants n'étaient pas habitués à l'enseignement en ligne, cette transition a donné lieu à de nombreuses innovations concernant l'utilisation des technologies numériques et les pratiques pédagogiques. Cette recherche s'est centrée sur l'impact notable du passage à l'enseignement en ligne dans trois domaines : l'utilisation des outils numériques, la pratique immédiate de l'enseignement et la pratique future de l'enseignement. Les données issues de 35 réponses à un questionnaire et de six groupes de discussion ont montré que la plupart des enseignants étaient à l'aise avec les nouveaux outils qu'ils utilisaient en ligne, mais qu'ils rencontraient des difficultés particulières avec les salles de réunion et la compréhension par les étudiants de leur rôle dans le processus d'apprentissage. Les changements apportés à la pratique immédiate de l'enseignement comprenaient la co-création d'espaces d'apprentissage, différentes façons de se connecter avec les étudiants et la démocratisation de l'apprentissage. L'impact le plus important de la période de transition relative à la COVID-19 est peut-être celui concernant l'avenir de l'enseignement en classe, notamment l'utilisation accrue des outils numériques, la réorganisation structurelle des classes, l'enthousiasme pour l'enseignement et l'appréciation accrue des environnements présentiels. Mots-clés : Communauté d'enquête, communautés de pratique, COVID-19, diffusion de l'innovation, innovation numérique, soutien aux enseignants, communauté d'apprentissage entièrement en ligne, enseignement en ligne, pandémie, développement professionnel, TAM, TPACK, théorie de la distance transactionnelle, UDL, conception universelle de l'apprentissage
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 | 0,014 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,007 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».