Impact of accounting software utilization on students' knowledge acquisition
Notice bibliographique
Résumé
Purpose – This study investigates the impact that software utilization may have on students' knowledge acquisition of the accounting cycle. Differences in knowledge acquisition are examined between three groups of students: those who completed an accounting case manually using the traditional pencil and paper approach, using software, and first manually and then using software. The main research question is: “To what extent does using computers to study the accounting cycle lead to better knowledge acquisition?” This paper aims to inform changes in accounting education. Design/methodology/approach – The survey method was employed to collect information from accounting students in a Canadian business school. A total of 1,053 usable questionnaires were returned. Declarative knowledge and procedural knowledge are the theoretical underpinnings. Findings – The results indicate that students who first completed the case manually and then completed the same case using accounting software experienced the best knowledge acquisition. This suggests that the best manner for students to acquire concrete knowledge of the accounting cycle is by completing cases using both methods. The results also indicate that students who completed the case using only the software experienced better knowledge acquisition than did students who completed the case only manually. This suggests that software can be effectively utilized and integrated in class to improve knowledge acquisition of accounting information systems. Originality/value – Little investigation has been performed on the usefulness and impact accounting software utilization may have on students' level of learning. The findings may benefit students and faculty members by helping in curriculum design changes, course design, and computer implementation decisions. The findings of this study have the potential to make a difference in the way that educators teach and business students learn. Business education may be improved by the judicious use of software in the classroom.
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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».