Enhancing online learning experiences: A cross-sectional study on medical students engagement and challenges
Notice bibliographique
Résumé
Background. Digital learning tools have become integral to higher education, offering students enhanced accessibility, flexibility, and engagement. However, their effectiveness depends on usability, reliability, and alignment with academic needs. Limited research has explored students’ experiences with these tools across diverse educational systems. This study examines the frequency of use, perceived benefits, and challenges of digital learning tools among university and college students in multiple countries.Methods. A cross-sectional survey was conducted among 103 Kazakhstan, Russia, South Korea, Turkey, Germany, the USA, and Canada medical students. A structured questionnaire assessed demographic characteristics, usage patterns, and perceptions of digital learning tools. Responses were meas-ured using a fivepoint Likert scale, and statistical analyses, including correlation analysis, were performed to identify key factors influencing student satisfaction and engagement.Results. The study revealed a high engagement rate with digital learning tools, with 73.1% of students frequently utilizing online resources. Despite this, students reported significant challenges: 57.2% struggled to find reliable information, 62.8% questioned content accuracy, and 71.5% found tools lacking interactivity. Correlation analysis indicated that perceived reliability and usability strongly influenced student satisfaction and motivation.Conclusions. Findings highlight the need for improvements in digital learning tools to enhance accuracy, engagement, and personalization. Addressing these challenges can optimize student learning experiences and contribute to more effective, student-centered educational strategies. Future research should explore interventions that enhance content credibility and interactive learning features.Keywords: Digital learning tools; student engagement; online education; higher education; usability; content reliability.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».