Technology Acceptance Model in Medical Education: Systematic Review
Notice bibliographique
Résumé
Background: With the growing use of technology in medical education, a framework is needed to evaluate learners' and educators' acceptance of these technologies. In this context, the Technology Acceptance Model (TAM) offers a valuable theoretical framework, providing insights into the determinants influencing users' acceptance and adoption of technology. Objective: This review aims to systematically synthesize the body of research in medical education that uses the TAM. Methods: An electronic literature search was conducted using the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) approach in February 2024 on the Embase, MEDLINE, PsycINFO, PubMed, and Web of Science databases, yielding 680 articles. Upon elimination of duplicates and applying the exclusion criteria, a total of 39 articles were retained. To evaluate the quality of the study, the Medical Education Research Study Quality Instrument score was calculated for each analysis with a qualitative component. Results: Studies using TAM in medical education began in 2010, with the model's application relatively rare up to 2016. Most of the studies were quantitative, operationalizing the TAM as a survey instrument, but it was also used as a research framework in qualitative data analysis. Structural equation modeling, descriptive analysis, and correlation analysis were the most common data analysis approaches in the studies. E-learning and mobile learning were the predominant learning interventions explored, but there were indications that novel learning technologies such as augmented reality, virtual reality, and 3D printing were being investigated. Conclusions: The study's findings reveal an expanding scholarly engagement with using TAM in medical education. Although the TAM has been mostly used as a survey instrument, it can also be adapted as a qualitative research framework to analyze data. This systematic review provides a foundation for future research to understand the factors influencing users' acceptance of technology, especially in medical education.
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 | 0,024 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,011 |
| Bibliométrie | 0,014 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».