Students’ and Instructors’ Perceptions of the Benefits and Drawbacks of Using a Twitter-based Assignment in an Undergraduate Public Health Nutrition Course
Notice bibliographique
Résumé
The integration of social media in higher education may support improved communication among students and instructors and facilitate collaborative learning. Within public health education, the use of social media may enable students to critically reflect on relevant everyday experiences, while the ability to effectively communicate via social media is increasingly viewed as an important public health competency. Although the existing literature suggests benefits of the use of social media in higher education, a lack of attention to potential drawbacks has been raised. The objective of this study was to examine student experiences, including perceived benefits and challenges, of a Twitter-based assessment in a public health nutrition university course. Data consisted of students’ (n=115) written reflections, complemented by transcripts from semi-structured interviews conducted with the instructor and three teaching assistants. Three themes identified by inductive thematic analysis included engaging students with course content and one another, practicing communication skills, and navigating learning curves. Most students noted the assessment provided opportunities to apply course concepts and connect with peers. However, some did not find the assignment’s purpose to be intuitive and some resistance to the use of Twitter was noted, particularly with respect to the constraints associated with tight character limits. Other students noted minimal impact on their learning due to the superficial nature of tweets. The results underscore the importance of tying social media-based assessments to clear and realistic learning goals with appropriate student supports, as well as balancing potential benefits of experimentation with social media with the potential drawbacks.
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 | 0,017 | 0,001 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».