Development and Effect of a SnowBall Teaching-Learning Model based on Flipped Learning
Notice bibliographique
Résumé
In order to nurture nursing talents with good interest in learning as well as adaptability to the field, it is necessary to have conditions for self-directed learning, this study aimed to the creation of an educational environment and teaching-learning methods; thus, developing a model suitable for nursing students is essential. A snowball teaching-learning model based on flipped learning was developed and applied to nursing students' basic nursing practice classes in order to understand the effect on self-directed learning ability, interpersonal ability, and personality. For the study period, from September 1, 2015 to July 31, 2016, 21 second-year students in the Department of Nursing at University D, located in B city, Busan were recruited through convenience sampling. The collected data were analyzed using SPSS WIN (Ver. 21.0). The results of the study indicated there was a significant difference in the self-directed learning ability score from 3.16±0.28 points before the teaching-learning model application to 3.99±0.49 points after the application of the teaching-learning model. There was a significant difference in from 3.67±0.49 points before application to 3.90±0.43 points after application. There was also a significant difference in the personality score, from 3.69±0.49 points before application of the teaching-learning model to 4.06±0.46 points after application. Therefore, since the flipped learning-based snowball teaching-learning model is helpful in improving job competency, repeated experimental studies are suggested to verify the effectiveness.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».