Challenges and Strategies for Online Learning and Teaching during COVID-19 in Indonesia and Afghanistan
Notice bibliographique
Résumé
The significant impact of the pandemic has altered many sectors of life, including higher education. The COVID-19 outbreak has created outnumbering challenges for students and lecturers, forcing them to adjust to online learning and teaching. They develop specific strategies to tackle the challenges and study as normally as possible. In this regard, the study investigates the challenges students and lecturers face during COVID-19 online learning and teaching at a private university in Afghanistan and a public university in Indonesia. Furthermore, it explores the strategies they applied during COVID-19 online learning and teaching to deal with these challenges. In addition, it is intended to compare the students' and lecturers' experiences with online learning and teaching in both countries. In order to obtain the data, the study employs open-ended questionnaires using Google Forms. The Google Form is distributed through WhatsApp and emails to students and lecturers at a public university in Indonesia and a private university in Afghanistan. Data analysis uses the online engagement framework for higher education to filter and generate themes into concepts. The study found that during COVID-19, both Indonesian and Afghan students and lecturers faced several challenges, yet the strategies they applied differed according to each country's social and development context. Identifying the challenges and the strategy of online teaching and learning provides practical understanding for students, lecturers, and universities.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,005 |
| Communication savante | 0,011 | 0,006 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».