Students and instructors reflections on the impact of COVID-19 on computer science education after 1 year of remote teaching
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
In May 2020, about 2 months after countless institutions across the world resorted to moving all their courses online in response to the COVID-19 pandemic, we conducted a survey to evaluate the impact of this transition on a group of computer science students. That first survey highlighted mostly negative effects, with students struggling to perform many class-related activities. About a year later, after a full year of remote teaching, we wanted to see if and how the students’ sentiment had changed. To assess students’ perceptions of remote teaching, we conducted a new survey composed of 41 multiple choice, Likert scale and open-ended questions. Additionally, we interviewed instructors of computer science courses, to learn about their experience and how they adapted to the new teaching modality. 137 students and 10 instructors shared their feedback regarding their positive and negative experiences in the new learning format. Our results show that the students’ experience improved significantly, to the point that many of them expressed interest in continuing learning online, at least partially, but some populations (e.g., early years students) may still be at a disadvantage in this learning format. At the same time, the instructors manifested concerns that this may not produce the best learning outcomes for the students. The results and considerations included in this report may benefit the conversation on how to conduct computer science higher education in a post-pandemic world.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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