Enhancing Online Faculty Development Programs During COVID-19 and Beyond: A Multiple Case Study of Faculty Members Teaching Online
Notice bibliographique
Résumé
This study explored how the development needs of faculty members teaching online can inform professional development (PD) programs in higher education (HE), especially after a year and a half of transition to fully online courses due to the pandemic. The research was conducted in a midsize university in Ontario and utilized a multiple case study approach that examined the cases of four faculty members through an emergent process of in-depth interviews. The main criterion used to select participants was an experience with online teaching of at least 1 year. Data were collected from interview responses as well as from documents representing research studies the faculty members wrote about their teaching experience. Multiple cases were constructed using an inductive coding analysis process, and a cross-case analysis was conducted to identify themes common across the cases. Inductive coding was used to analyze the data. Findings revealed that faculty PD programs should be diversified when it comes to program format, duration, regularity, and topics. Programs differentiated in these ways are essential to accommodate diverse PD needs as well as the different stages of online faculty members’ development of expertise. One-time PD events may not offer the best opportunity to develop faculty members. Informal learning opportunities such as learning communities, research publishing, and mentoring are the most preferred and should be prioritized. HE institutions play an important role in enhancing PD programs either directly through improving program design or indirectly through modifying institutional policies and budgets.
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 | 0,008 | 0,011 |
| 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 | 0,017 | 0,004 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».