Measuring Time Load Using a Mobile Application to Monitor Curriculum Workload
Notice bibliographique
Résumé
Insuffient time for learning activities makes learning very difficult. Weaker students need more time to appropriately manage their learning objectives. To ensure enough study time, curriculum designers must monitor potential mismatches between needed versus provided study time. This study was conducted to measure students' time loads and compare them to the workload determined by the curriculum and measured in European Credit Transfer and Accumulation System (ECTS) credits. Time load entry using the Studo mobile application consisted of entering the time required for all learning activities, categorized into attendance, self-study, and writing student papers, per course. In addition to time load measures, socio-demographic information on travel time, care obligations, and employment status was recorded. Over six semesters (2018/2019-2021), the average response rate per semester was low (8%-17%). Of the 75 piloted courses (4-16 per semester), 2 exceeded the number of hours specified in the curriculum. Regarding socio-demographic data, 3%-34% of the evaluated students worked part time (≥ 10 hours per week). In summary, students were disinclined to measure their learning time. With consideration of potential nonresponse bias, no significant evidence of curriculum workload exceedance was found for the evaluated courses at the University of Veterinary Medicine, Vienna. However, some students are under increased individual time pressure due to part-time employment. The ratio of measured to estimated time should be monitored as a key component to improve performance and enhance student learning.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».