MétaCan
Menu
Retour à la cohorte
Enregistrement W2809091360 · doi:10.2196/10069

How an Environment of Stress and Social Risk Shapes Student Engagement With Social Media as Potential Digital Learning Platforms: Qualitative Study

2018· article· en· W2809091360 sur OpenAlexvenueno aff
Becky Hartnup, Lin Dong, Andreas B. Eisingerich

Notice bibliographique

RevueJMIR Medical Education · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueImpact of Technology on Adolescents
Établissements canadiensnon disponible
Organismes subventionnairesEconomic and Social Research Council
Mots-clésSocial mediaStress (linguistics)Qualitative researchPsychologyMathematics educationComputer scienceSociologyWorld Wide WebSocial science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Social media has been increasingly used as a learning tool in medical education. Specifically, when joining university, students often go through a phase of adjustment, and they need to cope with various challenges such as leaving their families and friends and trying to fit into a new environment. Research has shown that social media helps students to connect with old friends and to establish new relationships. However, managing friendships on social media might intertwine with the new learning environment that shapes students' online behaviors. Especially, when students perceive high levels of social risks when using social media, they may struggle to take advantage of the benefits that social media can provide for learning. OBJECTIVE: This study aimed to develop a model that explores the drivers and inhibitors of student engagement with social media during their university adjustment phase. METHODS: We used a qualitative method by interviewing 78 undergraduate students studying medical courses at UK research-focused universities. In addition, we interviewed 6 digital technology experts to provide additional insights into students' learning behaviors on social media. RESULTS: Students' changing relationships and new academic environment in the university adjustment phase led to various factors that affected their social media engagement. The main drivers of social media engagement were maintaining existing relationships, building new relationships, and seeking academic support. Simultaneously, critical factors that inhibited the use of social media for learning emerged, namely, collapsed online identity, uncertain group norms, the desire to present an ideal self, and academic competition. These inhibitors led to student stress when managing their social media accounts, discouraged them from actively engaging on social media, and prevented the full exploitation of social media as an effective learning tool. CONCLUSIONS: This study identified important drivers and inhibitors for students to engage with social media platforms as learning tools. Although social media supported students to manage their relationships and support their learning, the interaction of critical factors, such as collapsed online identity, uncertain group norms, the desire to present an ideal self, and academic competition, caused psychological stress and impeded student engagement. Future research should explore how these inhibitors can be removed to reduce students' stress and to increase the use of social media for learning. More specifically, such insights will allow students to take full advantage of being connected, thus facilitating a richer learning experience during their university life.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,122
Score d'incertitude au seuil0,779

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,002
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,385
Écart entre enseignants0,366 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Medical EducationMême sujetImpact of Technology on AdolescentsTravaux en français237 207