WHAT WE NEED FOR ENCODING OF MEMORY AND EMOTIONAL RECONSOLIDATION
Notice bibliographique
Résumé
BACKGROUND: It is known that an interactive design and good participants' involvement strengthens the motivation to engage in learning processes. Previous research suggests attitude-behaviour consistency with relevance of subjective meaning and interest in learning. This observational study aims to measure the attitude of medical students. METHODS: The connotative meaning and perception of e-learning were explored. A semantic differential scale was given to all students (N=328) of a case-based blended-learning (CBBL) course, 296 medical students were included in this study. RESULTS: The online-survey completion rate was 100%. An exploratory principal components analysis with varimax rotation was performed. Five components could be extracted that explained 47.21% of the total variance. The five components are best described by the following adjectives taken from the item pool: "soft, emotional, playful", "clear and organised", "vigorous and serious", "vivid and outgoing", "economical and introverted". An additional qualitative analysis revealed relevant positive connotations ascribed to e-learning by the students: freedom in time and space for learning, interdisciplinary approach and communication, playfulness and clear, structured procedure. CONCLUSION: Our study demonstrated that a specific set of aspects is essential for students to feel comfortable and affect-cognitively engaged to learn and gain the best exam grades.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».