Barriers in Implementing E-Learning in Hormozgan University of Medical Sciences
Notice bibliographique
Résumé
BACKGROUND: E-learning provides an alternative way for higher educational institutes to deliver knowledge to learners at a distance, rather than the traditional way. The aim of this study is to identify the barrier factors of e-learning programs in Hormozgan University of Medical Sciences (HUMS) in respect of the students and lecturers' point of view. METHODS: A cross-sectional study based on a questionnaire was conducted among 286 of students and lecturers in the nursing, midwifery and paramedic schools of HUMS. Two hundred and eighty-six participants filled in the questionnaire: 256 students, and 30 lecturers. RESULTS: Results of the study showed a lack of proper training in e-learning courses of the university 182 (69.1%), limited communication with the instructor 174 (68%) and the learners dominance of English language 174 (68%) showed the greatest importance for the students. The awareness about e-learning program was 80% and 43% among lecturers and students respectively.The dominance of English language 26 (86.7%) and lack of research grants for e-learning 23 (76.6%) and lack of proper training on e-learning courses from the university 20 (66.7 %) were the most important barrier factors of implementing e-learning for lecturers. E-learning courses to supplement classroom teaching was a solution that mentioned by the majority of students 240 (93.8%) and lecturers 29 (96.7%) in this study. CONCLUSIONS: The positive perception of e-learning is an important consequence effect in the future, educational development of nursing, midwifery and paramedic schools.
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 | 0,032 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 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 ».