Investigating Veterinary Medicine Faculty Perceptions of Lecture Capture: Issues, Concerns, and Promises
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
Lecture capture technology is becoming more pervasive in today's classrooms. Students are demanding their lectures be recorded, but many instructors remain resistant. The goal of this study was to investigate faculty perceptions of lecture capture and to understand their concerns with the technology. Through a review of the existing literature, three common reasons for not recording were identified: impact on class attendance, incompatible pedagogy, and technical concerns. To test the hypotheses, an electronic survey was created and distributed to the faculty of a veterinary college in the southeastern US. The survey included both quantitative and qualitative questions. An invitation was emailed to all 134 faculty members, garnering 50 responses. Results were consistent with the hypotheses. Impact on class attendance, teaching styles, and technical considerations have dissuaded many instructors from adopting lecture capture technology. However, a fourth theme that emerged was faculty lack of awareness/familiarity. According to the qualitative responses, many faculty either did not know lecture recording was available in their teaching spaces or were not trained in how to use the technology. Recommendations for future research include distributing the survey campus-wide and providing more opportunities for faculty training. It would also be worthwhile to repeat the survey after providing more information and training materials to faculty, or after switching from an opt-in to an opt-out approach, to see whether perceptions have changed among the college's faculty.
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 | 0,002 | 0,014 |
| 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 | 0,001 |
| 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) | 0,001 | 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