First-Year College Students: Perspectives on Technology and Wellness in Education
Notice bibliographique
Résumé
This paper explores the impact of technology and wellness in the context of students entering post-secondary education. It aims to provide insights into the use of technology and how it affects students’ wellness. The transition from high school into post-secondary education has often been a complex phase in students’ lives, and such complexity may be especially significant for virtual high school graduates, in other words, students who finished their high school education mostly virtually due to school closures during the COVID-19 pandemic. Students starting post-secondary education are usually between 17–19 years old, an age period at which these students are more developmentally vulnerable to the effects of rapid physiological, financial, and social changes. Despite some positive aspects of technology usage in education, challenges remain. Students navigate potential academic losses due to ineffective virtual schooling experiences during school lockdowns. This may aggravate students’ adaptation to higher-education culture and norms and academic expectations, especially formal writing standards often required in university papers. Other challenges may include the over-reliance on technology for academic, social, and personal tasks, accentuating students’ difficulties with wellness and requiring a rethinking of learning practices to eloquently respond to students’ needs in the context of the legacy of the coronavirus pandemic. This paper seeks to contribute to the conversation on how post-secondary institutions respond to the need to balance technology and wellness in the context of education. Ultimately, this paper explores perspectives on potential higher institutions’ responses to the impact of technology on students’ mental health and learning as well as implementing wellness practices while integrating technology into education.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,013 |
| Communication savante | 0,021 | 0,008 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».