COVID-19 Lockdown and higher education. Time to look at disasterpreparedness as a governance issue?
Notice bibliographique
Résumé
When COVID-19 broke out in Wuhan in 2019, the world looked at it as a ‘Chinese’ disease and no international efforts were made to assist China. Countries that supported China just offered solidarity messages. China adopted a raft of measures that included prescribing a lockdown on Wuhan and construction of infrastructure such as hospitals. In 2020, COVID-19 extended its tentacles across the globe. A majority of countries adopted the lockdown as a mitigatory measure. The lockdown activated an extraordinary instant emergency in the education sector as schools, colleges and universities shut down. What worsened the situation was that no solution was in sight as the medical researchers dithered from one suggestion to the other. This paper examines possible ways to deal with the emergency in the education sector by suggesting alternative learning solutions. The major argument of this paper is that countries should not simply copy and paste solutions that are not in sync with their local settings. Using the multistage designs sampling technique, three universities from a target of eighteen were selected. Convenience sampling was used to select the three universities and analytic rubrics were used to analyse clarity of policy and disaster preparedness by universities in Zimbabwe. For comparative purposes, four international webinars on education and COVID-19 were selected. This paper contributes towards addressing the lacunae created by global lockdown and subsequent shutdown of learning institutions due to COVID-19. The findings were that the lockdown approach was adopted and implemented without adaptation. Learning institutions were closed indefinitely despite the economic environment, the digital divide and the rural-urban divide militating against lockdown’s entire adoption. Key proposals to deal with the lockdown include scaling up distance education based on mixed technologies, a paradigm shift on perceptions on digital education and resuscitation of postal services.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,011 |
| Communication savante | 0,013 | 0,010 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».