Impact of an E-Learning Histology Course on the Satisfaction and Performance of Medical, Nursing and Midwifery Students
Notice bibliographique
Résumé
SUMMARY: The importance and relevance of e-learning courses in medicine and health sciences has increased significantly in the last decade. Despite this, there are few published teaching experiences of e-learning histology courses in the literature worldwide. The histology course we designed was structured on the Moodle platform as a learning management system, and the content was proposed in a synchronous (zoom) and asynchronous (recordings) format. We also included the use of free virtual microscopy tools. This study aimed to investigate the impact of an e-learning histology course on the satisfaction and performance of medical, nursing and midwifery students. The sample included 424 Chilean medical, nursing, and midwifery students from two cohorts. A Likert-type survey was administered at the end of the course. We performed exploratory analysis and ordinary least squares regression. In this study, we present a positive experience of an e-learning histology course. Exploratory factor analysis revealed three main factors related to "e- learning satisfaction", "in-person class activities", and "course design and teaching quality". We also found that there was a positive and significant relationship between students' perceptions of the adaptation of the traditional (face-to-face) histology course into an e-learning format and their academic performance. Our study shows that e-learning histology courses that integrate lectures and practical sessions can be a valuable teaching method for learning histology. Curriculum developers and teachers need to consider the limitations and advantages of this type of teaching and incorporate these three factors into the design and assessment of e-learning histology courses.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».