Technology in problem-based learning: helpful or hindrance?
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
Purpose The purpose of this paper is to examine the relationship between student motivation and technology in the implementation of problem-based learning (PBL) in a technologically enhanced active learning classroom (ALC). Design/methodology/approach PBL was implemented in an undergraduate course in human osteology ( n =49) at a large Canadian University. Numerous activities using the ALC technology were conducted to engage students in self-directed active learning. Students wrote critical self-reflections at the beginning of the course and with each PBL report. They completed a survey at the end of the course using a Likert scale that included written comments on their motivation toward different uses of technology. Findings Students generally had high motivation toward PBL at the end of the course. Their evaluation of the technology to support PBL was dependent on the activity. Students (88 percent) appreciated the use of an overhead camera to visualize anatomical elements, and short problem-solving exercises using the whiteboard but they negatively evaluated the real-time projection of PBL sessions through a discussion board (52 percent). Almost half of the class (43 percent) felt that technology was a hindrance to their learning process in PBL. Originality/value This study demonstrates the complex relationship between student motivation toward active learning, the learning environment, and technology. Instructors and students influence the learning environment through their conceptions of effective teaching. According to this framework, technology should be implemented not only according to the teaching method, but consider teaching conceptions and the learning environment.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle