Distance Education Practices During the COVID-19 Lockdown: Comparison of Belgium, Japan, Spain, and Türkiye
Notice bibliographique
Résumé
During the COVID-19 pandemic, many things changed in people’s educational lives as individuals transitioned to remote learning. While technologically advanced countries swiftly adapted to the new normal, less developed countries encountered substantial obstacles. This study aimed to compare distance education practices during the lockdown in four OECD countries (Belgium, Japan, Spain, and Türkiye) and provide future-oriented suggestions. A systematic literature review was conducted using OECD documents on distance education practices accessed through the OECD iLibrary database with a keyword search. Nine papers out of 1,294 meeting inclusion criteria were thoroughly reviewed, focusing on categories such as general information, sample practices, implementation challenges, conducting courses, supporting students during the lockdown, and evaluation and national examinations. A descriptive analysis was performed based on coding categories. Findings revealed that school closure durations varied by country and educational level, with each country adopting approaches suitable for distance learning. Online learning platform development was similar across countries, except for Japan, which has a distinct curriculum structure. Challenges, including technological limitations and resistance to change, were common, exacerbated by a lack of expertise and the need for rapid adaptation. Distance education primarily relied on computers, television, and homework, with radio use varying. Decision-making processes differed across countries, with centralized decision-making observed in Türkiye. Supporting disadvantaged students and addressing learning losses were prioritized, and national exams were postponed with changes in content and the number of questions.
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 | 0,004 | 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 | 0,000 | 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) | 0,001 | 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 ».