Impact of Higher-Institution-Organised Training and MOOCs on Academic Staffs’ Innovative Skills Acquisition
Notice bibliographique
Résumé
The teaching and learning innovations in this post-COVID pandemic study focus on improving content knowledge, pedagogy, instructional resources, the learning environment, and learning outcomes. Using technologies to provide sustainable interventions is good, but adopting innovative digital pedagogical resources to facilitate instructional activities for the future is challenging because of digital skills required. Lacking this knowledge could lead to inappropriate integration for pedagogical practices and problems for learners. In this research, among the massive open online courses (MOOCs) that the academic staff used to acquire the digital skills for online learning were two Commonwealth of Learning MOOCs: Introduction to Technology-Enabled Learning and Using Open Education Resources for Online Learning. Considering training and standards, this study investigated innovative pedagogical digital skills acquired by academics participating in higher-institution-organised training, compared to those participating in MOOCs in Nigeria. Purposive sampling was used for the descriptive survey. A validated questionnaire, ASOLICQ (0.86 reliability co-efficient), was used for data collection. Data were analysed using frequency, percentage, correlation, and chi-square. Findings revealed a significant difference between levels of skill acquired by staff trained with the two different methods. Based on the findings, recommendations emphasise provision of quality assurance, engaging hands-on practices, participatory learning reflection sessions, and friendly monitoring.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».