TEACHING AND LEARNING DURING COVID19 CRISIS : CHALLENGES, OPPORTUNITIES AND THE WAY FORWARD
Notice bibliographique
Résumé
The COVID-19 pandemic as a big crisis in quarter one of 21century has created unprecedented challenges to the all sectors of life. The COVID-19 pandemic has exposed gaps in the digital infrastructure and network performance as internet usage rises. In the education sector, the \nclosure of many educational institutions had resulted in the disruption of face-to-face learning which significantly impacted the majority of students. While it is obvious that online learning provides many advantages like easy access, unlimited access to resources, flexibility in learning and easy collaboration, lack of infrastructure had caused a serious setback to the core principles of traditional pedagogy such as learner interaction, access to study materials, attentional skills, regularity, time management, and assessment. Although online learning faces many issues and challenges among stakeholders, especially students and educators, it also serves as a great alternative for the spread of knowledge and represents a significant benefit \nwhen distance is no longer a barrier. COVID-19 pandemic in particular has brought online learning to a new level where its adoption within the education world was not an optional but mandatory for the survival of our new generation. Therefore, it is crucial in the post-pandemic era to integrate the traditional pedagogy approach and blend it with online learning in order to establish a resilient education system capable of fulfilling the demand of all stakeholders.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,006 |
| Communication savante | 0,015 | 0,011 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,009 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,013 |
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 ».