Optimising cognitive load and usability to improve the impact of e-learning in medical education
Notice bibliographique
Résumé
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.
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 | 0,010 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».