Bridging the Knowledge Gap: Countering the Digital Divide in a Rural School Library in Zimbabwe
Notice bibliographique
Résumé
The digital divide between urban and rural learners is a significant obstacle to achieving the United Nations Sustainable Development Goal Number 4 (SDG 4) and the provision of information to rural dwellers. Achieving inclusive and equitable education for all partly hinges on bridging the digital gap. A case study of the Zimbabwe Rural Schools Library Trust (ZRSLT) was conducted to explore innovative strategies employed to bridge the digital divide. Data went through document and web content analysis, and interviews with three board members were conducted. Thematic content analysis was used to analyse the data. The findings revealed that ZRSLT established community initiatives and public-private partnerships to leverage the resources and expertise to develop and implement innovative solutions to bridge the digital divide. This was done through the provision of reading materials, donating technological equipment, building school libraries, assisting disadvantaged learners with school fees, and engaging policymakers to support rural schools in developing policies that support the integration of technology into the educational system. The authors recommend the need to identify policy and institutional changes needed to support the adoption and implementation of innovative solutions by the stakeholders in the education system. This study can inform national and regional educational standards where policymakers can use evidence-based strategies to design and implement programmes that specifically address the needs of rural learners. By addressing the digital divide, this study not only supports the achievement of SDG 4 but also contributes to the overall progress and development of rural communities in developing countries.
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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,008 |
| Science ouverte | 0,005 | 0,015 |
| 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 ».