Non‐native english language speakers benefit most from the use of lecture capture in medical school
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
Medical education in the United States and Canada continues to evolve. However, many of the changes in pedagogy are being made without appropriate evaluation. Here, we attempt to evaluate the effectiveness of lecture capture technology as a learning tool in Podiatric medical education. In this pilot project, student performance in an inaugural lecture capture-supported biochemistry course was compared to that in the previous academic year. To examine the impact of online lecture podcasts on student performance a within-subjects design was implemented, a two way ANCOVA with repeated measures. The use of lecture capture-supported pedagogy resulted in significantly higher student test scores, than achieved historically using traditional pedagogy. The overall course performance using this lecture capture-supported pedagogy was almost 6% higher than in the previous year. Non-native English language speakers benefitted more significantly from the lecture capture-supported pedagogy than native English language speakers, since their performance improved by 10.0 points. Given that underrepresented minority (URM) students, whose native language is not English, makes up a growing proportion of medical school matriculates, these observations support the use of lecture capture technology in other courses. Furthermore, this technology may also be used as part of an academic enrichment plan to improve performance on the American Podiatric Medical Licensing Examination, reduce the attrition of URM students and potentially address the predicted minority physician shortage in 2020.
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 | 0,005 |
| 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) | 0,000 | 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