Teaching Basic Medical Sciences at a Distance: Strategies for Effective Teaching and Learning in Internet-Based Courses
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
In recent years, the Internet has become an effective and accessible delivery mechanism for distance education. In 2003, 81% of all institutions of higher education offered at least one fully online or hybrid course. By 2005, the proportion of institutions that listed online education as important to their long-term goals had increased by 8%. This growth in available online courses and their increased convenience and flexibility have stimulated dramatic increases in enrollment in online programs, including the Veterinary Technology Distance Learning Program (VT-DLP) at Purdue University. Regardless of the obvious benefits, distance learning (DL) can be frustrating for the learners if course developers are unable to merge their knowledge about the learners, the process of instructional design, and the appropriate uses of technology and interactivity options into effective course designs. This article describes strategies that we have used to increase students' learning of physiology content in an online environment. While some of these are similar, if not identical, to strategies that might be used in a face-to-face (f2f) environment (e.g., case studies, videos, concept maps), additional strategies (e.g., animations, virtual microscopy) are needed to replace or supplement what might normally occur in a f2f course. We describe how we have addressed students' need for instructional interaction, specifically in the context of two foundational physiology courses that occur early in the VT-DLP. Although the teaching and learning strategies we have used have led to increasingly high levels of interaction, there is an ongoing need to evaluate these strategies to determine their impact on students' learning of physiology content, their development of problem-solving skills, and their retention of information.
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 | 0,052 | 0,028 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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