Challenges to web-based learning in pharmacy education in Arabic language speaking countries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Web-based learning and web 2.0 tools which include new online educational technologies (EdTech) and social media websites like Facebook® are playing crucial roles nowadays in pharmacy and medical education among millennial learners. Podcasting, webinars, and online learning management systems like Moodle® and other web 2.0 tools have been used in pharmacy and medical education to interactively share knowledge with peers and students. Learners can use laptops, iPads, iPhones, or tablet devices with a stable and good Internet connection to enroll in many online courses. Implementation of novel online EdTech in pharmacy and medical curricula has been noticed in developed countries such as European countries, the US, Canada, and Australia. However, these trends are scarce in the majority of Arabic language speaking countries (ALSC), where traditional and didactic educational methods are still being used with some exceptions seen in Palestine, Kuwait, Jordan, Saudi Arabia, Egypt, UAE, and Qatar. Although these new trends are promising to push pharmacy and medical education forward, major barriers regarding adaptation of E-learning and new online EdTech in Arab states have been reported such as higher connectivity costs, information communication technology (ICT) problems, language barriers, wars and political conflicts, poor education, financial problems, and lack of qualified ICT-savvy educators. More research efforts are encouraged to study the effectiveness and proper use of web-based learning and emerging online EdTech in pharmacy education not only in ALSC but also in developing and developed countries.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle