Seeking coherence between ‘mobile learning’ applications and the everyday lives of medical residents
Notice bibliographique
Résumé
INTRODUCTION: The role of technology in health professions education has received increased research attention. Research has examined the interaction between humans and technology, focusing on the mutual influence between people and technology. Little attention has been given to the role of motivation and incentives in how learning technologies are used in relation to daily activities. This research aims to understand the relationship between medical-learning technology and its users. METHODS: A mixed-method case study of a new medical-learning mobile application (app) for family medicine residents was undertaken at a Canadian university hospital. The Information Assessment Method is a custom-made app to help residents prepare for the College of Family Physicians of Canada licensing examination. Residents' use of the app was tracked over a 7-month period and individual, semi-structured interviews were conducted with users. Data were thematically analyzed and correlated with app use data. RESULTS: Factors identified as shaping residents' mobile app use for learning, included: efficiency, mobility and resonance with life context; credibility of information retrieved; and relevance of content. Most influential was stage of residency. Second-year residents were more selective and strategic than first-year residents in their app use. DISCUSSION: An emphasis on coherence between self-directed learning and externally dictated learning provides a framework for understanding the relationship between users and mobile-learning technology. This framework can guide the design, implementation and evaluation of learning interventions for healthcare professionals and learners.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».