Remote Learning and First-Year Academic Literacy during the COVID-19 Pandemic
Bibliographic record
Abstract
During the rapid shift to remote teaching and learning that came with the COVID-19 pandemic early in 2020, for many students and instructors, important interactions and collaborative learning took place via online platforms such as Zoom and Microsoft Teams. Our study focuses specifically on the impacts of remote learning on students who speak and write English as an additional language (EAL) taking academic literacy/writing courses during their first year of study. For these students, the shift from face-to-face to remote learning environments had major impacts on their ability to interact and collaborate with peers, key factors for successful academic literacy development and success in their studies. We present selected data from a one-year study at a university in the Vancouver Metropolitan area, specifically, interviews with EAL students about their experiences in remotely-taught academic literacy classrooms. Our analysis is informed by the theoretical lenses of academic literacies and academic discourse socialization in higher-education contexts, while also considering recent literature on remote learning in higher education. When asked about their experiences in interviews, participants described challenges related to interacting and collaborating with peers, making friends, and developing competence in English language and academic literacy. We conclude by discussing the lessons we can bring forward into the post-remote teaching era. Dans le contexte du virage rapide vers l’enseignement et l’apprentissage à distance qui a accompagné la pandémie du COVID-19 au début de l’année 2020, les interactions importantes et l’apprentissage collaboratif ont eu lieu sur des plateformes en ligne telles que Zoom et Microsoft Teams pour de nombreux étudiants et enseignants. Notre étude examine l’impact de l’apprentissage à distance sur des étudiants de première année de l’anglais en tant que langue additionnelle (ALA) qui suivent des cours de littératie académique et d’écriture. Pour ces étudiants, le passage d’un environnement d’apprentissage en personne à un environnement d’apprentissage à distance a eu un impact majeur sur leur capacité à interagir et à collaborer avec leurs pairs, des facteurs clés pour un développement réussi de la littératie académique et pour la réussite dans leurs études. Nous présentons des données sélectionnées issues d’une étude plus large menée au cours d’un an dans une université de la région métropolitaine de Vancouver, à savoir des entretiens avec des étudiants ALA sur leurs expériences dans des cours de littératie académique enseignés à distance. Notre analyse s’appuie sur les théories des littératies académiques et de la socialisation au discours académique dans les contextes de l’enseignement supérieur, tout en tenant compte de la littérature récente sur l’apprentissage à distance dans l’enseignement supérieur. Interrogés sur leurs expériences lors des entretiens, les participants ont décrit les défis liés à l’interaction et à la collaboration avec leurs pairs, à se faire des amis et au développement de leurs compétences en anglais et en littératie académique. Nous concluons en discutant des leçons que nous pouvons mettre de l’avant dans cette ère qui suit l’enseignement à distance.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.004 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".