Lessons from COVID-19: Four Reasons School Communities Should Embrace K-12 Online Learning
Notice bibliographique
Résumé
The COVID pandemic afforded educators an opportunity to learn how traditional K-12 learning communities can deliver instruction online. This collective case study utilized semi-structured interviews of seven students, six parents, five teachers, and four administrators, as well as school-wide surveys, to explore realities of remote online learning in one suburban high school learning community during the COVID-19 pandemic. Theoretically, the study relied on the Community of Inquiry (COI) Theoretical Framework and the CIPP Evaluation Model for data collection and analysis. Data collection began with their initial experiences with emergency remote teaching (ERT) in the 4th quarter of the 2019-2020 school year, until the end of the first semester of the 2020-2021 school year. The survey and interviews sought to understand their perspectives of learning online during their experiences with ERT. Though important issues still need to be addressed in K-12 online environments, this research found the learning community perceived that 1) many students were able to learn in online environments, 2) their experiences suggest numerous strategies that can help improve K-12 online learning opportunities, 3) it was still possible to support students and parents with diverse needs in online environments, and 4) the majority of the learning community was interested in more online opportunities even when school might return to normal.
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 | 0,021 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,016 | 0,015 |
| Communication savante | 0,010 | 0,017 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,006 | 0,012 |
| 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 ».