Instructional Development at a Time of Involuntary Changes: Implications for the Post-Pandemic Era
Notice bibliographique
Résumé
Public health measures taken during the COVID-19 pandemic resulted in a series of involuntary changes in teaching and learning from 2020 to 2022, which could have promoted instructional development among instructors in postsecondary education. In this research paper, we used the four components in Kirkpatrick’s model of training evaluation—reactions, learning, behaviour, and results—to examine the data collected in summer 2022 from instructors of an engineering school of a public Canadian university. The analysis directed us to the following observations about the instructional development among faculty members in the engineering school during the pandemic. The teaching practices in most of the courses changed and most instructors consulted with resources for instructional support during the pandemic. The crisis during the pandemic serendipitously offered an unprecedented opportunity for instructional development toward online teaching. The instructional development is characterized by instructors’ reactions to their own online teaching experiences, positive attitudinal changes and skill development among some instructors with respect to online teaching, as well as the alternative teaching practices that emerged during the pandemic. However, this instructional development was passive and reactive in nature, and will not reverse the typical in-person course delivery in engineering. In addition, instructors in the engineering school accessed school-based resources for instructional support more often than university-based resources; and this resource access pattern will be likely to continue. Implications of these findings for instructional development are discussed.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».