User satisfaction with information and communication technologies in nursing and midwifery schools in sub-Saharan Africa: A systematic review
Notice bibliographique
Résumé
Background and objective: Information and communication technologies are often used in universities in sub-Saharan Africa to train nurses and midwives. However, user satisfaction with information and communication technologies in nursing and midwifery schools in sub-Saharan Africa has not been well documented. The objective of this study is to synthesize user satisfaction with information and communication technologies in nursing and midwifery schools in sub-Saharan Africa.Methods: A systematic review was conducted. Three electronic databases (PubMed, CINAHL, and ERIC) were consulted. Two reviewers independently conducted the selection of eligible publications based on the inclusion and exclusion criteria. Data were extracted and quality assessed by four team members. Qualitative, quantitative, or mixed studies conducted in sub-Saharan African countries published from 2018 to 2021 were included.Results: The majority of students used smart mobile phones. Access to the internet connection was via their mobile phone or tablet. In terms of their ability to use mobile devices, the majority of students were good users. The rest were divided between experts in mobile use and limited users. The majority of teachers were open to the use of word processing, PowerPoint presentations, and blended learning. Other reasons for satisfaction include the use of information and communication technologies during clinical placements, online assessments, the creation of discussion forums, and live discussions with colleagues.Conclusions: Students are satisfied with the use of information and communication technologies. The administration must equip itself with the means to use them in teaching by motivating and supporting teachers. To do this, it must take into account the results of regular assessments to provide a better learning environment. Using information and communication technologies could become a quality criterion for a high-performance university.
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 | 0,015 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,011 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».