Incorporating Effective Electronic Gadgets into the Students’ Learning in ODeL Academic Landscape Experiences
Notice bibliographique
Résumé
The use of e-gadgets for instructional practices, learning processes, and bridging transactional distance between higher-educational institutions and students remain complex and contested phenomena in educational research. However, studies that were grounded on the mixture of the Replace-Amplify-Transform (RAT) model and Acceptance and Use of Technology2 (UTAUT2) to study the impact of e-gadgets in an Open Distance e-Learning-landscape (ODeL) are still scant. This inquiry sought to find answers to the question: How does using e-gadgets impact a students’ learning experience? The purpose of this study is to enhance an understanding of students’ experience with e-gadgets for learning. Data were generated using in-depth interviews with students, employing thematic analysis as a methodological orientation. Findings unveiled that many rural-based students have no access to e-gadgets, which has an influence on performance, success, and retention rates. Findings further demonstrate that effective e-gadgets are significant in ODeL students’ learning trajectory. Reliance on e-gadgets leads to dependency and deters innovation, as learners tend to over rely on readily available resources. Institutions must expand access to e-gadgets to help students complete their studies within the prescribed duration. For ODeL institutions to bridge transactional distance, access to e-gadgets must be expanded.
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 | 0,007 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».