Student perceptions of the use and effectiveness of engagement strategies in the online learning environment
Notice bibliographique
Résumé
Challenges in student engagement have been identified as a significant barrier in online learning. In this study, we used a mixed method design to explore how often, and how effectively, instructors used a variety of engagement strategies in their online classrooms. First, through the use of student focus groups with 30 students, we identified engagement strategies that students used and found effective. Our results indicated that breakout rooms and interactive activities/games and icebreakers were the most frequently mentioned engagement strategies for synchronous courses and using WhatsApp and discussion forums were mentioned for asynchronous courses. Next, a total of 284 undergraduate students (84% female) took part in an online survey consisting of 33 engagement strategies in which participants rated how often the strategy was used and how effective they found it. Descriptive analyses demonstrated that students most frequently used strategies centered on structure (i.e. grading rubrics, course orientations, and instructor/peer discussion forums that enable interactions). Students reported that the most effective strategies were those that focused on clarity (i.e. posting of due dates, grading rubrics, and regular emails from the instructor). Interestingly, while peer relations were predominantly discussed in the focus groups, peer-to-peer connection strategies in the survey received the lowest ratings, both in terms of how often they were used and how effective students found them. Overall, our results suggest that students consider clarity to be the most effective method for raising engagement and that instructor relations appear to be more beneficial than peer relations.
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 | 0,000 | 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 | 0,001 |
| 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 ».