Notice bibliographique
Résumé
This study examined the inclusivity of online education during the COVID-19 pandemic from the perspectives of LIS undergraduate students across four Nigerian universities. A quantitative method and survey design were employed, targeting undergraduate library and information science (LIS) students. A purposive selection of 20 students from years two, three, and four in the four universities resulted in a sample of 240 students. Data collection was conducted via a questionnaire distributed through Google Forms to students’ group forums, with the first 60 respondents from each university forming the sample. Of the 240 distributed questionnaires, 232 were returned and used for analysis. The findings revealed that online education during the pandemic was only partially inclusive: 70% of respondents indicated that many students could not participate in most online classes due to a lack of access to compatible technology, such as smartphones, tablets, and laptops. Platforms for online classes included Microsoft Teams, Google Classroom, Zoom, Moodle, and social media tools like blogs, Telegram, WhatsApp, and email. Course materials were sent via email and social media, but only 30% of students with access received them. The study concluded that online learning was not inclusive, as 70% of students were sidelined due to a lack of access to necessary devices and internet connectivity. For online learning to be inclusive, all students must be provided with compatible devices and data for connection to live classes. The government must also improve network infrastructure in rural areas to enable participation. This study is pioneering in focusing specifically on the inclusivity of online learning for LIS students during the pandemic.
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 | 0,001 |
| 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 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| 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 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 ».