The Effectiveness of Blended Learning for Dermatology Undergraduate Medical Students
Notice bibliographique
Résumé
Background Novel internet-based applications and associated technologies have influenced all aspects of our society, ranging from areas of commerce and business to entertainment and health care. Education is no exception. In this context, this study was designed to evaluate the impact of a dermatology e-learning program on the academic performance of medical students. Objective We aimed to develop a dermatology blended learning course for undergraduate medical students and compare the knowledge gained by students who took this course to those who attended traditional classes. Methods This prospective study evaluated the performance of fourth-semester medical students from the Federal University of Bahia, Brazil. A total of 129 students were selected and divided into 2 groups. The first group (n=57) attended traditional classes and used printed material (books and handouts). The second group (n=72) took our e-learning course and used an e-book as a supplement in a hybrid setting comprising online plus traditional learning. Each course was evaluated with multiple-choice, paper-based tests that were administered at the beginning and end of the course. Results Although the precourse tests did not show any difference between the traditional and hybrid groups (mean 2.74, SD 1.25 vs mean 3.2, SD 1.22), students attending the hybrid course had better final term grades (mean 8.18, SD 1.26) than those who attended traditional classes (mean 7.11, SD 1.04). This difference was statistically significant (P<.05). Conclusions The results suggest that the performance of undergraduate students who took a course supplemented with e-learning material was superior to those who attended a traditional course alone. Conflicts of Interest None declared.
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 | 0,005 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».