Online learning for faculty development: A review of the literature
Notice bibliographique
Résumé
BACKGROUND: With the growing presence of computers and Internet technologies in personal and professional lives, it seems prudent to consider how online learning has been and could be harnessed to promote faculty development. AIMS: Discuss advantages and disadvantages of online faculty development, synthesize what is known from studies involving health professions faculty members, and identify next steps for practice and future research. METHOD: We searched MEDLINE for studies describing online instruction for developing teaching, leadership, and research skills among health professions faculty, and synthesized these in a narrative review. RESULTS: We found 20 articles describing online faculty development initiatives for health professionals, including seven quantitative comparative studies, four studies utilizing defined qualitative methods, and nine descriptive studies reporting anecdotal lessons learned. These programs addressed diverse topics including clinical teaching, educational assessment, business administration, financial planning, and research skills. Most studies enrolled geographically-distant learners located in different cities, provinces, or countries. Evidence suggests that online faculty development is at least comparable to traditional training, but learner engagement and participation is highly variable. It appears that success is more likely when the course addresses a relevant need, facilitates communication and social interaction, and provides time to complete course activities. CONCLUSIONS: Although we identified several practical recommendations for success, the evidence base for online faculty development is sparse and insubstantial. Future research should include rigorous, programmatic, qualitative and quantitative investigations to understand the principles that govern faculty member engagement and success.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».