A Comparison of Virtual Communication Software on Perceived Engagement, Enjoyment, Social Connectedness, and Willingness to Communicate in a Virtual Undergraduate Classroom
Notice bibliographique
Résumé
Due to the COVID-19 pandemic, many in-person classes shifted to emergency remote learning, with Zoom being the adopted software choice of communication for many schools. Despite its accessibility, students have expressed fatigue and challenges with conversations using Zoom. Additionally, emergency remote learning has led to decreased interpersonal interactions. Thus, we wondered whether Gather.town, a teleconferencing software with proximity-chat features, might lead to a more positive learning environment than Zoom. We utilized both software in an inquiry and problem-based course, Science of Fictional Characters, at McMaster University during the Fall 2021 semester. We surveyed students’ preference between Gather.town and Zoom across five different domains: engagement, enjoyment, social connectedness, ease of use, and willingness to communicate using each software. Twelve out of 30 enrolled students responded to the survey. Participants reported more engagement (58%), higher enjoyment (58%), and greater social connectedness (92%) to their peers using Gather.town compared to Zoom, despite participants also reporting Zoom being easier to use (92%). The results further revealed no preference towards either software in terms of willingness to communicate. Although our sample size is small, our results nonetheless suggest a software with proximity chat features such as Gather.town could be a potential alternative to Zoom for fostering positive learning environments.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».