Facilitation strategies used in e-learning by nurse educators in Rwanda
Notice bibliographique
Résumé
Knowledge and skills for teachers to deliver course contents in an e-learning environment is essential. Information Communication Technology (ICT) is being increasingly used in tertiary education as it is flexible and offers many possibilities to meet the needs of a large number of learners. The implementation of e-learning platforms in Rwanda in 2012 for nursing and midwifery instruction has had a positive impact on the quality of nursing education. Educators' facilitation skills play an important role in motivating students in the computer-mediated learning environment. The aim of this paper is to explore the facilitation strategies used in e-learning by nurse educators in Rwanda. A non-experimental quantitative design was used, with 44 nurse educators from three campuses completing the research instruments. The results from this study indicated that the majority of the participants (84.1%) had the same vision of integrating ICT in teaching and learning as their colleagues, the institutional administration, and other staff. 97.7% used computers and/or the internet to prepare lesson and deliver instructions 95.5% reported using facilitation strategies of self-directed learning, 93.2% case studies, 88.6% group discussions, 81.8% small group activities, 72.7% formal lectures, 70.5% role play, 68.2% brainstorming, 63.6% situations of integration, and 63.6% videos. An average of 50% reported using research, and 43.2% workbooks. 27.3% used projects, 25% core lectures, and 11.4% Portfolio. E-learning requires a comprehensive approach of incorporating ICT in teaching and learning. The success of e-learning does not only depend on technological tools available, but also on the pedagogical design, with teachers being required to use innovative teaching approaches to deliver their course contents.
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 | 0,005 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 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 ».