Improving Student Engagement in Online Learning: A Case Study of a Graduate Program in Canada
Notice bibliographique
Résumé
The landscape of higher education has undergone a transformative shift towards online learning globally since COVID-19. Student engagement in online learning emerges as a pivotal area of inquiry due to its critical role in learning outcomes and academic success. While extensive research has explored student engagement in traditional face-to-face settings, there remains a notable gap in understanding engagement in online learning environments, particularly at the graduate level. Adopting an integrated framework of improvement science and an online student engagement framework, this study examines the engagement experiences of graduate students in a fully online program offered by a Canadian university, utilizing a qualitative case study methodology. Through the lenses of cognitive, emotional, behavioral, collaborative, and social engagement, this study is guided by the holistic analysis of improvement science. Pedagogical, organizational, and socio-structural factors are identified as closely linked to student engagement in online learning. Strategies are proposed to improve interaction, provide personalized support, and cultivate a sense of community, while policy recommendations advocate for learner-centric approaches and quality assurance mechanisms. This study provides a better understanding of online student engagement, offering valuable insights for educators, policymakers, and institutions striving to improve the online learning environment for graduate students in Canada and beyond.\nKeywords: student engagement, online learning, higher education, improvement science, case study
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,026 | 0,006 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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 ».