The impact of e-learning in workplace: focus on organizations and healthcare environments
Notice bibliographique
Résumé
Although there has been much research on e-learning in the educational context, far less has been written about e-learning in the workplace. The purpose of this review is to draw together what research has been done on e-learning in the workplace to inform future researchers. E-learning is one answer to sweeping global changes, labor market and productivity issues. The review shows that e-learning is being spurred on in Canada by three drivers: the global economic context, the human capital context, and the information and communication technology context. The paper shows that the employers can integrate individual learning with organizational needs and provide employees with the knowledge and skills they need. Thus employee receives the modules of information and learning that fit their current need. Cost effectiveness was cited as one top reason to use e-learning, especially f or organization that are already using ICTs in their work processes. Researchers posited that ICTs are increasingly playing an important role in organizations and society's ability to produce access, adopt and apply information. In addition t ere is cost saving in terms of time. As in all types of working environment, but especially more so in the medical and health care environment where being complacent, negligence and out of date with work related advances could make the difference between life and death outcome in patients. There is a constant need to rapidly train and retrain the workforce in new technologies, pr ducts, and services found within the work place setting. Finally the paper looked into its benefits and barriers to e-learning.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».