Implementing Team-Based Learning to Strengthen Communication Skills among Undergraduate Kinesiology Students
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
Kinesiology is the study of human movement and grounded in learning about physiological and psychological mechanisms of physical activity, exercise, and sport. Despite the educational focus promoting an active lifestyle, teaching strategies often ignore the hands-on and interactive components of the field, in favour of a traditional passive teaching style (Bulger, Housner, & Lee, 2008). This teaching approach can be problematic as most undergraduate Kinesiology students will either pursue an academic career path, or enter a health care field (e.g., kinesiologist, medical doctor, physical therapist, etc.) Whichever path a student chooses, it will require strong communication skills, whether it be sharing research ideas or working with a patient. To improve these skills, instructors can use an interactive classroom. A recent study evaluating communication competence in undergraduate nursing students found overall improvements in communication efficacy and communication ability when implementing team-based learning (TBL; Cho & Kweon, 2017). Therefore, a larger focus in Kinesiology should be on promoting effective communication skills so that students are more prepared when they graduate. By incorporating TBL into Kinesiology courses, students can become more interactive in the classroom and build upon fundamental skills that are paramount in academic and health care settings (Meeuswen, King, & Pederson, 2005).
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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