Technology-Enhanced Faculty Development: Future Trends and Possibilities for Health Sciences Education
Notice bibliographique
Résumé
Engagement is the focus of technology-enhanced faculty development. Unfortunately, faculty development (i.e. “teaching the teacher”) can sometimes fail to mirror the advances we have created for our students, leaving room for innovation, modernization, and change [ 1 ]. While research has shown learning outcomes can be somewhat equivocal for traditional approaches to teaching compared to technology-enhanced ones [ 2 , 3 , 4 ] sometimes favouring lower technology approaches [ 5 , 6 ], continued use of “the same boring methods” certainly limits the level of learner engagement. Practically speaking, unengaged faculty will not pursue learning objectives. Technology-enhanced faculty development supports various benefits, from access to content through diverse device options (e.g. mobile phones) to interaction with content via instant feedback options (e.g. interactive video, online quiz). Additionally, with distributed and online education models growing, innovative education technology can vastly improve access to education.
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 | 0,015 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,014 | 0,007 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,026 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,009 |
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 ».