Students’ Engagement in and Perceptions of Blended Learning in a Clinical Module in a Veterinary Degree Program
Notice bibliographique
Résumé
Blended learning has received much interest in higher education as a way to increase learning efficiency and effectiveness. By combining face-to-face teaching with technology-enhanced learning through online resources, students can manage their own learning. Blended methods are of particular interest in professional degree programs such as veterinary medicine in which students need the flexibility to undertake intra- and extramural activities to develop the range of competencies required to achieve professional qualification. Yet how veterinary students engage with blended learning activities and whether they perceive the approach as beneficial is unclear. We evaluated blended learning through review of student feedback on a 4-week clinical module in a veterinary degree program. The module combined face-to-face sessions with online resources. Feedback was collected by means of a structured online questionnaire at the end of the module and log data collected as part of a routine teaching audit. The features of blended learning that support and detract from students' learning experience were explored using quantitative and qualitative methods. Students perceived a benefit from aspects of face-to-face teaching and technology-enhanced learning resources. Face-to-face teaching was appreciated for practical activities, whereas online resources were considered effective for facilitating module organization and allowing flexible access to learning materials. The blended approach was particularly appreciated for clinical skills in which students valued a combination of visual resources and practical activities. Although we identified several limitations with online resources that need to be addressed when constructing blended courses, blended learning shows potential to enhance student-led learning in clinical courses.
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 | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».