Impact of Technology in Classrooms in the Colleges of Kathmandu: Challenges and Policy Recommendations
Notice bibliographique
Résumé
The integration of technology in classrooms has transformed educational practices globally, accelerated notably by the COVID-19 pandemic. This study examines the impact of technology in colleges throughout Kathmandu, Nepal, focusing on both its benefits and challenges. Technology, including platforms like Google Classroom and educational apps, has significantly enhanced engagement and learning experiences for students, as highlighted by educators and learners surveyed. However, persistent challenges such as inadequate infrastructure, limited access to devices, and technical issues like unreliable internet connectivity hinder widespread adoption and effective use. Through a mixed-methods approach, utilizing surveys and narrative analysis, the article interprets experiences and insights from teachers and students and discusses themes that underscore the critical role of technology in improving educational access and quality in Nepal. Teachers express varying degrees of confidence and readiness in integrating technology, while students report increased engagement and improved learning outcomes facilitated by digital tools. The discussed results reflect on both the challenges and opportunities of technology in classrooms which suggest Policy recommendations, such as enhancing infrastructure investment, providing professional development for educators, and fostering digital literacy among students to bridge the digital divide and maximize the benefits of technology in education. This research contributes to understanding the nuanced dynamics of technology integration in a developing country context, offering insights for policymakers, educators, and stakeholders to optimize educational practices and ensure inclusive access to quality education in Kathmandu and beyond.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».