Computer Literacy Among Students of Zahedan University of Medical Sciences
Notice bibliographique
Résumé
INTRODUCTION: The need for medical students to be computer literate is vital. With the rapid integration of information technology (IT) in the health care field, equipping students of medical universities withcomputer competencies to effectively use are needed. The purpose of this study was to assess computer literacy (CL) needs of medical sciences students. METHODS: This is descriptive-analytic. The population of the study comprised all students at Zahedan University of Medical Sciences. 385 students from allschools (Medicine, dentistry, paramedics, health, rehabilitation, nursing and midwifery) were selected through randomized- classified sampling. For data collecting, the Lin Tung- Cheng questionnaire was used which it contained 24 items in six sections.The obtained data analyzed by SPSS 15. RESULTS: The results showed that the 77.1% had personal computer. The total mean of students' computer literacy around six domains was 141.9±49.5 out of 240. The most familiarity with computers was the ability to it in internet (29.0±11.4) and the lowest was familiarity and using ability of hard ware (17.5±10.6). There was a significant relationship between passing the Computer lesson (P=0.001), passing Computer course (P=0.05) and having personal computer (P=0.001) with the mean of computer literacy. DISCUSSION: In sum, the medical sciences students' familiarity with computer literacy was not satisfactory and they had not appropriate familiarity with computer literacy skills. The researchers suggest the officials and in-charges to plan educational program for improving computer literacy skills in medical sciences students.
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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».