Impact of the COVID-19 lockdown in Shanghai on student engagement at the college level
Notice bibliographique
Résumé
Purpose Despite various similarities and successes of mainland China and other East Asian nations in containing the spread of disease and limiting the number of pandemic-related deaths compared to Western nations, their respective COVID-19 responses in the higher education sector varied significantly. We provide new insights into the emergency remote learning-driven integration of digital learning ecosystems in mainland China. Design/methodology/approach The findings of the quantitative survey with 126 valid responses and subsequent focus groups with students and staff provide various insights. Quantitative data are analyzed using descriptive statistics and combined with the analysis of responses within focus groups, drawing on sentiment analysis. Findings This paper presents evidence of emergency-driven integration of digital learning ecosystems and undergraduate students’ engagement under the COVID-19 pandemic-induced lockdown in Shanghai, China. Findings indicated a declining trend of engagement and motivation, combined with the absence of personal interaction, pronounced information overload and impact on learning skills. The sentiment from students provides refined evidence while academic staff reflected on student engagement and performance. Despite increasing online activity, in crisis management, the findings suggest the importance of instructors superseding all technological advancements. Originality/value These findings lend support to Kahu’s (2013) model of student engagement in higher education and extends it by the factor “online relationship to academics/information overload” as part of the psychosocial influences on university students’ engagement.
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 | 0,000 |
| 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 ».