The Massive Online Needs Assessment (MONA) to inform the development of an emergency haematology educational blog series
Notice bibliographique
Résumé
BACKGROUND: Online educational resources are criticized as being teacher-centred, failing to address learner's needs. Needs assessments are an important precursor to inform curriculum development, but these are often overlooked or skipped by developers of online educational resources due to cumbersome measurement tools. Novel methods are required to identify perceived and unperceived learning needs to allow targeted development of learner-centred curricula. OBJECTIVES: To evaluate the feasibility of performing a novel technique dubbed the Massive Online Needs Assessment (MONA) for the purpose of emergency haematology online educational curricular planning, within an online learning community (affiliated with the Free Open Access Medical education movement). METHODS: An online survey was launched on CanadiEM.org using an embedded Google Forms survey. Participants were recruited using the study website and a social media campaign (utilizing Twitter, Facebook, Blogs, and a poster) targeting a specific online community. Web analytics were used to monitor participation rates in addition to survey responses. RESULTS: The survey was open from 20 September to 10 December 2016 and received 198 complete responses representing 6 medical specialties from 21 countries. Most survey respondents identified themselves as staff physicians (n = 109) and medical trainees (n = 75). We identified 17 high-priority perceived needs, 17 prompted needs, and 10 topics with unperceived needs through our MONA process. CONCLUSIONS: A MONA is a feasible, novel method for collecting data on perceived, prompted, and unperceived learning needs to inform an online emergency haematology educational blog. This methodology could be useful to the developers of other online education resources.
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 | 0,001 | 0,005 |
| 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 | 0,001 | 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) | 0,002 | 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 ».