Factors Influencing Class Satisfaction in Online and Offline Blended Classes - Focusing on Digital Competence, Interactions between Teachers and Learners, and Interactions between Team-members
Notice bibliographique
Résumé
The class environment in 2022 is based on full face-to-face classes in accordance with the easing of social distancing, but many instructors and learners are conducting a mixture of non-face-to-face and face-to-face classes. In the post-COVID-19 class environment, a plan to effectively apply online and offline blended classes is needed. This study analyzes how college students' digital competence, teacher-learner interaction, and team-member interaction affect class satisfaction in online and offline blended classes. The research subjects of the study were students of four-year university E located in Gyeonggi-do. Data were collected through an online survey method between June and July 2022. The analysis method was frequency analysis and descriptive statistical analysis. In addition, correlation analysis was conducted to confirm the validity of variables and to confirm multicollinearity. Moreover, factor factor analysis was conducted to confirm the validity of the measurement tool developed in this study. Finally, multiple regression analysis was conducted to verify the influence of college students' digital competence, teacher-learner interaction, and team-member interaction on class satisfaction of online and offline blended classes. As a result of the study, it was found that interaction factors between teacher-learners and team-members, excluding digital competency, affect class satisfaction in online and offline blended classes. These results suggest that to improve class satisfaction in operating online and offline blended classes in the post-COVID-19 era, it is necessary to come up with teaching strategies that can enhance interaction between teacher-learners and team-members.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».