Developing a Conceptual Model of Self-Directed Learning in Virtual Environments for Medical Sciences Students
Notice bibliographique
Résumé
Identification of key factors affecting the self-directed learning process in the virtual environment of medical education is vital. In this article, we designed a model that describes the self-directed learning process in the virtual learning environment for post graduate students of medical sciences in Iran. This study was carried out in two steps: first, using a qualitative study, we explored the formation of a self-directed learning process in the virtual environment. Second, a review of the literature was conducted to identify the conceptual models. Finally, based on the results, a self-directed learning model for virtual learning was developed. A total of 25 people were research participants in the qualitative part, and individual interviews were conducted with both faculty members and students. There were 1,049 codes, 80 subcategories, 15 categories, and 5 themes extracted from the interviews and through analysis. The themes included (a) backgrounds and requirements, (b) support, discipline, and coordination of the educational system, (c) students’ effort to manage to learn, (d) efficiency, attractiveness, and organization of educational environments and context, and (e) personal excellence, growth, and development. The self-directed learning process in virtual environments consists of some elements and structures, and a description of the relationship between these elements can be the basis of educational planning to develop and compile an effective evaluation of this skill.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».