The Use of Lecture Recordings as Study Aids in a Professional Degree Program
Notice bibliographique
Résumé
Lecture recording is now common in many educational institutions, leading to discussion about how best to support student learning. In this mixed methods study, we used a survey ( n = 46 participants), think-aloud methodologies in observed study sessions ( n = 8 participants) and recording analytics ( n = 637 recordings) to characterize how veterinary students utilize recordings during their studies. Only 48% of survey respondents considered they were more likely to use recordings as exams approached, but 78% considered they used recordings more when the topic was difficult. In the observed study sessions, students characterized their use of recordings as helping them to control their learning environment, allowing them to pause and rewind challenging topics, and as a jumping off point for future study, allowing them to structure the seeking out of additional information. In a linear model describing the recording analytics, students who had entered higher education directly from high school were more likely to watch more of a lecture than graduate entry students. In addition, the most visited lectures were also the ones with more view time ( F (5, 631) = 129.5, R 2 = 0.50, p < .001). Overall, this study suggests that veterinary students were selective about their use of recordings in their study strategies, often using them to make up for deficits in their knowledge and understanding, or to supplement their experience at veterinary school. We discuss the consequences and implications for student study skills support.
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 | 0,006 | 0,036 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».