The Influence of Sense of Community and Satisfaction With E-Learning and Their Impact on Nursing Students’ Academic Achievement
Notice bibliographique
Résumé
The COVID-19 pandemic has caused a sudden shift to distance learning. For many nursing students, distance learning is a new experience and an essential requirement if they hope to complete their programs. Two challenges that nursing students could face during e-learning are the lack of social presence and low satisfaction. This study aimed to assess students’ sense of community and satisfaction during e-learning and determine their impacts on academic achievement. This cross-sectional descriptive study used convenience sampling to collect data via a student satisfaction survey and a classroom community scale. There was a positive and significant correlation between the sense of community, total satisfaction with e-learning (p < .001), and academic achievement (p < .001). Academic achievement was positively and strongly correlated with satisfaction with teaching (p < .001), assessment (p < .001), generic skills and learning experiences (p < .001), and total satisfaction with e-learning (p < .001). Students who worked collaboratively with their classmates and were more engaged in their learning were more satisfied with e-learning and had higher academic achievement (p < .01). Female participants reported a strong sense of community and satisfaction with e-learning and greater academic achievement than males. Junior students perceived higher satisfaction scores and greater academic achievement (p < .01) than senior students. The findings of this study suggest that failing to meet student expectations can lead to low levels of student involvement. Students’ engagement and satisfaction are good indicators of the quality and effectiveness of online programs.
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 | 0,013 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».