Adoption and Use of Mobile Learning in Continuing Professional Development by Health and Human Services Professionals
Notice bibliographique
Résumé
INTRODUCTION: Health and human services professionals are increasingly using mobile devices to support clinical decision-making and evidence-based practice. However, research on self-directed learning in an era of growing digital technology utilization is underdeveloped. This study explored the adoption and use of mobile learning as a continuing professional development (CPD) activity. METHODS: A mixed-methods case study using semistructured interviews and a web-based questionnaire was conducted with health and human services professionals in Newfoundland and Labrador, Canada. RESULTS: Respondents reported using a smartphone (53.8%), tablets (50.4%), YouTube (43.0%), and mobile apps (35.8%) for CPD. The highest-rated benefits of mobile learning included improved access to information (M = 3.51); potential for enhanced knowledge acquisition (M = 3.45); staying up to date (M = 3.44); and verifying information (M = 3.40). The greatest barriers included cost of some apps and resources (M = 3.07); websites/programs not functional on mobile devices (M = 2.84); workplace barriers preventing access to digital resources (M = 2.82); and social media use linked to negative perceptions of professionalism (M = 2.65). Interview respondents described the flexibility and convenience of mobile learning, the level of autonomy it offered, and the advantages of learning on their own time. Technical issues, particularly for rural and remote practitioners, and digital professionalism also emerged as potential barriers. DISCUSSION: A systems model organizes the factors influencing the adoption and use of mobile devices and resources to support "just-in-time" learning. Addressing policies, practices, and regulations that enable or inhibit adoption of mobile learning for CPD may foster enhanced use to support better clinical decision-making, improved accuracy, and greater patient safety.
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 | 0,007 | 0,024 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».