Dental Students and Faculty Perceptions of Teaching Methods: Traditional Classes, Online Virtual Classes, and Recorded Lectures
Notice bibliographique
Résumé
Background: Rapid advancement in technology has provided alternatives to traditional classroom teaching. Such instructional methods have gained increasing importance during the COVID-19 pandemic when physical classroom attendance was not possible. The study evaluated faculty’s and students’ perceptions concerning the online virtual classes and recorded lectures as compared to traditional classes delivered at the College of Dentistry, King Saud bin Abdulaziz University for Health Sciences. Materials and Methods: Surveys were developed and distributed to 34 faculty members and 186 students. Perceptions about virtual classes, recorded lectures, physical attendance, the effectiveness of different teaching methods, and overall experience were evaluated. Descriptive statistics were presented using frequencies and percentages. The Chi-square test compared the students’ and the faculty members’ responses. The level of significance was set at α =0.05. Results: Thirty-one faculty members and 149 dental students participated, and the overall response rates were 91.2% and 80.1%, respectively. While there was a general agreement on the usefulness of making recorded lectures available, a statistically significant difference (p<0.001) was found between students’ and faculty members’ views on making classroom-lecture attendance optional (67.1% of students and 12.9% of the faculty agreed/strongly agreed). Statistically significant differences (p<0.001) were found between the students and faculty members concerning the effectiveness of recorded lectures and attending online virtual classes as an alternative to classroom attendance. Conclusion: Overall, students were more accepting of technology than faculty members as a substitute for traditional classroom teaching. For a more efficient and satisfactory learning experience, both teaching methods should be considered in a blended-learning module.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».