The influence of e-learning on individual and collective empowerment in the public sector: An empirical study of Korean government employees
Notice bibliographique
Résumé
Our study explores the influence of e-learning on individual and collective empowerment by using data collected from e-learning class participants of Korea’s Cyber-Education Center. For the survey, a questionnaire was sent to each of the 41 central ministries’ education and training officers (ETO) via email. The ETOs distributed the questionnaire to individuals in their ministries who have taken e-learning classes offered by the Cyber-Education Center during the first half of 2012. Out of more than 1,000 e-learning class attendees, 161 responded to the questionnaire survey. A set of multiple regression models was employed to explore significant predictors of government employees’ individual and collective empowerment in e-learning environments. Using existing literature on empowerment theories, a set of 16 questions was developed. A factor analysis was conducted to condense 16 individual variables into several large categories. Four factors including meaning, competence, self-determination, and collective empowerment were extracted from the 16 questions. The first three equations stood for individual empowerment and the last one for collective empowerment. Each of the four factors was utilized as a dependent variable in the multiple regression analysis. Each regression model uncovered its own set of variables that played a role in empowerment. The predictor variables of the meaning dimension were more widely split than those of the competence dimension or the self-determination dimension and collective empowerment. Only one independent variable—preference of e-learning class to offline class—was associated with all four dependent variables. However, modalities of e-learning activity, which were expected to be a significant predictor of empowerment, were not associated with any of the four dependent variables. In addition, lecture types of the e-learning class were also expected to be a significant predictor of empowerment but were only associated with the competence dimension.
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 | 0,004 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».