Self-Regulation of E-learning and Students’ Divided Experiences
Notice bibliographique
Résumé
A mixed methods design was employed to study students’ self-regulation of e-learning to understand the phenomenon of the digital divide. Quantitative data consisting of the perceptions of comprehensive school students (N=29,863) on self-regulated learning (SRL) and equal access to digital devices were analyzed to identify subgroups. Qualitative data on e-learning experiences (n=13,310) were then analyzed according to their subgroups. The results indicated equal access to devices but strongly divided e-learning experiences between students. Those assessed as having the highest SRL (31%) provided remarkably detailed descriptions of how they developed new learning strategies, metacognitive, and digital skills during e-learning. In contrast, students belonging to the lowest SRL group (21%) expressed divided experiences; half of them claimed not to have learned anything. These students were often left without parental support. The current study provides empirical evidence of the digital divide and its realization during the pandemic, leading to deviant poor learning experiences for students with low SRL skills. Therefore, in the future, schools should create structures to recognize students who require support and ensure equal opportunities for meaningful e-learning. Keywords: e-learning, self-regulated learning, digital divide, mixed methods, compulsory education Une méthode mixte a été utilisée pour étudier l’autorégulation de l’apprentissage en ligne parmi les élèves d’établissements d’enseignement secondaire général, afin de comprendre le phénomène de la fracture numérique. Les données quantitatives concernant les perceptions des élèves (N=29,863) sur l’apprentissage autorégulé (AAR) et l’égalité d’accès aux appareils numériques ont été analysées pour identifier trois sous-groupes. Les données qualitatives des expériences d’apprentissage en ligne (n=13,310) ont ensuite été analysées selon des sous-groupes. Les résultats ont indiqué un accès égal aux appareils, mais des expériences d’apprentissage en ligne toujours fortement contrastées. Les élèves ayant le taux d’AAR le plus élevé (31 %) ont fourni des descriptions remarquablement détaillées de la manière dont ils ont acquis de nouvelles stratégies d’apprentissage, des compétences métacognitives et numériques dans le cadre de l’apprentissage en ligne, tandis que ceux ayant le taux d’AAR le plus bas (21 %) ont exprimé des expériences contrastées, et la moitié d’entre eux ont même affirmé n’avoir rien appris. Ces élèves étaient aussi souvent laissés sans soutien parental. La présente étude fournit des preuves empiriques sur la fracture numérique et sa réalisation pendant la pandémie, menant à des expériences d’apprentissage limitées, voire décalées, pour les élèves ayant de faibles compétences en AAR. Par conséquent, à l’avenir, les écoles devraient créer des structures permettant d’identifier les élèves qui ont besoin de soutien et d’assurer l’égalité des chances pour un apprentissage en ligne optimal. Mots-clés : apprentissage en ligne, apprentissage autorégulé, fracture numérique, méthode mixte, enseignement obligatoire
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».