Self-regulated learning strategies and computer software training
Notice bibliographique
Résumé
User learning is important to the effective use of information technology within organizations, particularly given the changing nature of IT. Research indicates that self-directed training is the most common means by which users learn. In addition, the use of Web-based training within organizations in these self-directed learning situations is increasing. The purpose of this research is to investigate the increasingly popular self-training phenomenon within organizations by examining the self-regulated learning strategies that individuals use in Web-based training situations, several key factors that influence the use of these strategies, and how they influence learning outcomes in this context. To do this, a two-phase study was designed. Phase I was comprised of twenty-seven interviews with knowledge-workers from a variety of organizations to understand the strategies they used during their learning experiences and the learning difficulties they encountered. Findings from Phase I supported the notion that self-directed learning remains the most popular form of computer software training in the field, and provided initial support for the key themes comprising the research model. Revisions to the model were incorporated based on these findings. Phase II was comprised of a field test of the research model where employees conducted a self-led web-based software training session, completed a study questionnaire and two knowledge tests. Results from the study provided support for the research model. Those who devoted effort toward the use of self-regulated learning strategies benefited in terms of higher learning outcomes. Organizations invest a great deal of resources toward training end users. This research assists organizations in gaining a return from this sizable investment in training end users, and in managing the organizations' most important resource—knowledge.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».