The effectiveness of E-learning in continuing medical education for tuberculosis health workers: a quasi-experiment from China
Notice bibliographique
Résumé
BACKGROUND: Given the context of rapid technological change and COIVD-19 pandemics, E-learning may provide a unique opportunity for addressing the challenges in traditional face-to-face continuing medical education (CME). However, the effectiveness of E-learning in CME interventions remains unclear. This study aims to evaluate whether E-learning training program can improve TB health personnel's knowledge and behaviour in China. METHODS: This study used a convergent mixed method research design to evaluate the impact of E-learning programs for tuberculosis (TB) health workers in terms of knowledge improvement and behaviour change during the China-Gates TB Project (add the time span). Quantitative data was collected by staff surveys (baseline n = 555; final n = 757) and management information systems to measure the demographic characteristics, training participation, and TB knowledge. Difference-in-difference (DID) and multiple linear regression models were employed to capture the effectiveness of knowledge improvement. Qualitative data was collected by interviews (n = 30) and focus group discussions (n = 44) with managers, teachers, and learners to explore their learning experience. RESULTS: Synchronous E-learning improved the knowledge of TB clinicians (average treatment effect, ATE: 7.3 scores/100, P = 0.026). Asynchronous E-learning has a significant impact on knowledge among primary care workers (ATE: 10.9/100, P < 0.001), but not in clinicians or public health physicians. Traditional face-to-face training has no significant impact on all medical staff. Most of the learners (57.3%) agreed that they could apply what they learned to their practice. Qualitative data revealed that high quality content is the key facilitator of the behaviour change, while of learning content difficulty, relevancy, and hardware constraints are key barriers. CONCLUSIONS: The effectiveness of E-learning in CME varies across different types of training formats, organizational environment, and target audience. Although clinicians and primary care workers improved their knowledge by E-learning activities, public health physicians didn't benefit from the interventions.
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 | 0,001 | 0,010 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».