E-Learning After the Pandemic from the Perspective of Digital Skills Teachers
Notice bibliographique
Résumé
The coronavirus disease (COVID-19) crisis and the coincidental shift in public education to distance education was a starting point from which all educational institutions, especially those in developing countries, must benefit in terms of e-learning development. The need to effectively explore the use of e-learning after returning to school (face-to-face) has been increasing. Thus, we investigated the use of e-learning after the COVID-19 pandemic by examining the case of Saudi Arabia. The findings of this case study can be applicable and beneficial to other countries. By applying a qualitative research design, 15 Saudi digital skills teachers were invited to voluntarily participate in this study, and an open-question survey was conducted electronically using the snowball technique and a focus group. The teachers’ reflections on this experience have implications for their professional development and are an opening for using educational technologies and utilizing students’ digital skills in education. The study shows that the teachers continued using e-learning in their daily teaching after the pandemic. The three most important theme determinants in this study were the teachers’ use of e-learning for blended learning, communication, and professional development, in this order. Moreover, the teachers believed that they and their students had acquired and developed many skills as a result of using online learning. Finally, the study implications and suggestions are highlighted in this article.
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 | 0,007 |
| 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 | 0,008 | 0,006 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».