Face to Face, Online or Something in Between: Student Perceptions of Student Engagement in Different Learning Environments
Notice bibliographique
Résumé
When COVID-19 began, educational institutions quickly shifted traditional face-to-face (F2F) courses to an online model, termed Emergency Remote Education (ERE) (Bozkurt et al., 2020). Previous studies have developed extensive theories on F2F and online education, demonstrating a positive link between student engagement (SE) and student success. Using Critical Incident Technique, this paper examined the changes in SE from F2F to ERE and identified the factors influencing these changes. The results confirmed that SE differs between F2F and ERE, with primary factors including course design and organization, learning with peers, student-faculty interaction, and social interaction. Notably, a supportive environment, integral to the SE model in F2F settings but absent in the Community of Inquiry framework, emerged as a key factor in ERE. Based on these findings, this study proposes a new SE model for flexible delivery methods. Post-pandemic reports (Irhouma & Johnson, 2022; D. N. Johnson, 2021; N. Johnson, 2023; National Survey of Student Engagement, 2021, 2023; Veletsianos et al., 2023) highlight the ongoing impact of the pandemic on students and teachers. The 2023 Pan-Canadian Report on Digital Learning Trends indicates that faculty and students now favor more flexible teaching and learning methods (Johnson, 2023). Current research on ERE remains limited (Stewart et al., 2023), with fewer studies on models for engagement in ERE. This paper contributes insight which aims to provide a foundation for further investigation into online and flexible learning.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».