MétaCan
Menu
Retour à la cohorte
Enregistrement W4236762529 · doi:10.7196/ajhpe.659

Optimising cognitive load and usability to improve the impact of e-learning in medical education

2015· article· en· W4236762529 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueAfrican Journal of Health Professions Education · 2015
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensUniversity of TorontoSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésUsabilityCognitive loadComputer scienceCognitionUsability engineeringHuman–computer interactionKnowledge managementPsychology

Résumé

récupéré en direct d'OpenAlex

E-learning has the potential to support the development of expertise in clinical reasoning by being able to provide students with interactive learning experiences, exposure to multiple cases, and opportunities for deliberate practice with tailored feedback. This review focuses on two important but underappreciated factors necessary for successful e-learning, i.e. the management of the learner’s cognitive load and the usability of the technology interface. Cognitive load theory views learning as involving active processing of information by working memory via separate visual and auditory channels. This system is of very limited capacity and any cognitive load that does not directly contribute to learning is considered extraneous and likely to impede learning. Researchers in cognitive load theory have provided evidence-based instructional design principles to reduce extraneous cognitive load and better manage the cognitive processing necessary for learning. Usability is a concept from the field of human-computer interaction which describes how easy technology interfaces are to use, and is routinely evaluated and optimised in the software development industry. This is seldom the case when e-learning resources are developed, especially in the area of medical education. Poor usability limits the potential benefit of educational resources, as learners experience difficulties with the technology interface while simultaneously dealing with the challenges of the content presented. Practitioners in the field of human-computer interaction have provided guidelines and methods for evaluating and optimising the usability of e-learning materials. The fields of cognitive load theory and human-computer interaction share a common goal in striving to reduce extraneous cognitive load. The load induced by poor usability of e-learning materials can be viewed as a specific component of extraneous cognitive load, adding to any load resulting from poor instructional design. The guidelines from these two fields are complementary and, if correctly implemented, may substantially improve the impact of our e-learning resources on the development of the clinical reasoning skills of students.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,020
score de la tête « metaresearch » (Gemma)0,013
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,663
Score d'incertitude au seuil0,995

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0200,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,083
Tête enseignante GPT0,532
Écart entre enseignants0,448 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle