Accelerated Digital Transformation of Higher Education in the Wake of COVID-19: A Systematic Literature Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The COVID-19 pandemic has accelerated digital transformation (DT) across various industries, including higher education (HE). In response to the dynamic demands of contemporary society, higher education institutions (HEIs) must swiftly adapt and transform. However, existing research has revealed a prevalent lack of strategic vision regarding DT in HE, often limited to the mere integration of technology. This study employs a systematic literature review (SLR) as a methodological framework to identify and categorize DT challenges and strategies within HE accelerated after the pandemic event. Findings from this SLR highlight four distinct categories of challenges and strategies in DT: Strategic-Administrative, Teaching-Learning, Technical-Technological, and Social-Cultural. Notably, the literature tends to focus more on identifying challenges, revealing an unbalanced emphasis compared to analyzing how HEIs are actively progressing in their DT efforts. Furthermore, there is a significant absence of impact analysis regarding these DT strategies within HE. To address these gaps, recommendations for future research are proposed, including (i) Exploration of strategic processes in HE toward DT, (ii) Empirical analysis of the Digital Maturity of HEIs, and (iii) Assessment of the impact of the strategic responses of HE toward DT. In conclusion, this study underscores the urgency for a more strategic approach to DT in HE, emphasizing the need to shift the focus from technology integration toward holistic, effective, and outcome-driven strategies. These recommendations aim to guide future research toward a more interdisciplinary and comprehensive understanding of DT within the realm of HE.
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.
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 | 0,001 |
| Science ouverte | 0,001 | 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 découle