Effectiveness of Online Education During the COVID-19 Pandemic: Evidence from Chinese Universities
Notice bibliographique
Résumé
The COVID-19 pandemic triggered a global shift from face-to-face instruction to online learning, posing new operational challenges for business schools, particularly in equipping students with quantitative skills essential for the labor market. Leveraging China's abrupt lockdown policies as a natural experiment, we examine the heterogeneous effects of online education on student academic performance. Using a panel dataset of 15,329 observations from 7,867 undergraduate students across nine Chinese universities over four semesters (Fall 2018 to Spring 2020), we compare academic outcomes before and during the transition to online learning. We find that online education led to an average increase of 8–11 points in mathematics scores on a 100-point scale during the pandemic. Applying principal component analysis, we identify four key policy measures that capture lockdown stringency: Stay-at-home orders, workplace closures, public transportation suspension, and public information campaigns. Stricter stay-at-home orders issued by the government reduce the effectiveness of online learning; however, these negative effects are partially offset by increased parental supervision and reduced external distractions resulting from workplace closures and the suspension of public transportation. Further, online learning is more effective for reasoning-focused courses (e.g., mathematics) than interpretation-focused courses (e.g., English), and the academic benefits of face-to-face peer interactions diminish significantly in online settings relative to offline environments. Our findings offer actionable insights for managing educational delivery during operational disruptions, highlighting the importance of tailoring online curriculum design and support systems to course content and student mobility constraints.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 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 ».