Assessing trainee’s need and readiness for e-cancer education and training in Africa.
Notice bibliographique
Résumé
11012 Background: As a prerequisite to launching a virtual education and training platform, the African Organization for Research and Training in Cancer (AORTIC) assessed the educational needs and e-Learning readiness of Sub-Sahara African oncology staff before designing ICT support systems. Methods: Using existing assessment models, we developed a self-assessment tool for a cross-sectional survey. Competence areas assessed include basic knowledge, early detection and diagnosis, clinical skill, cancer registry, and cancer management respectively. Components of e-Learning readiness assessed include access to technology, technological skills/competence, capacity for self-directed learning, confidence prerequisite skills, and motivation. We calculated an average score for each component as (Sum of positive response/Sum of responses). Results: There were 128 respondents. 33%, 44%, 48%, 58% and 60% felt they needed further training in the areas of basic knowledge, early detection and diagnosis, clinical skill, cancer registry, and cancer management respectively. Reported internet access for e-Learning is 100%, significantly higher than the 31.2% internet penetration of Sub-Sahara Africa. However, only 15.7% have a bandwidth of quality to support real-time visual learning. Weighted averages for technological access, skill, competence, capacity for self-directed learning, motivation, and prerequisite skills was 69%, 86%, 51% 42% and 80% respectively. Conclusions: There are deficiencies in the training of oncology health professionals in all five competency areas, and e-Learning can supplement ongoing traditional training to meet the gap. The low access to the internet in Africa may not be disruptive to asynchronous oncology training but may limit real-time video-based synchronous learning which involves more intense interaction between trainees and trainers. However, African bandwidth growth trend indicates this limitation is fast diminishing. African oncology health professionals are technologically competent for e-Learning and score high in the prerequisite skills. There is, however, a low ability for self-directed learning, and many may need a support system for the advanced virtual education.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».