Acceptance of E-Learning Devices by Dental Students
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
BACKGROUND: E-Learning programs and their corresponding devices are increasingly employed to educate dental students during their clinical training. OBJECTIVE: Recent progress made in the development of e-learning software as well as in hardware (computers, tablet PCs, smartphones) caused us to more closely investigate into the habits of dental students in dealing with these learning techniques. METHODS: Dental students during their clinical training attended a survey compiled in cooperation with biostatisticians. The questionnaire probands were asked to complete based on previous surveys of similar subjects, allowing single as well as multiple answers. The data, which were obtained with respect to the learning devices students commonly employ, were compared with their internet learning activities. RESULTS: The e-learning devices utilized are of heterogeneous brands. Each student has access to at least one hardware type suitable for e-learning. All students held mobile devices, about 90 percent employed laptops, and about 60 percent possess smartphones. Unexceptional all participants of the survey acknowledged an unlimited internet access. In contrast, only 16 percent of students utilized tablet PCs. A detailed analysis of the survey outcome reveals that an increasing use of mobile devices (tablet PC, smartphone) facilitates internet learning activities while at the same time utilization of computers (desktop, laptop) declines. CONCLUSIONS: Dental students overwhelmingly accept e-learning during their clinical training. Students report outstanding preconditions to conduct e-learning as both their access to hardware and to the internet is excellent. Less satisfying is the outcome of our survey regarding the utilization of e-learning programs. Depending of the hardware employed only one-third to barely one-half of students comprise learning programs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,009 | 0,001 |
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