Enablers & barriers to online and e-learning for health professionals in Pakistan: a formative research
Notice bibliographique
Résumé
OBJECTIVE: To design a continuous professional development programme pertaining to integrated nutrition, health, and Water, Sanitation and Hygiene interventions for health professionals (HP). Methods: The cross-sectional study was conducted from January 1 to April 30, 2024, in Lahore, Pakistan, after approval from the ethics review committee of the Institute of Clinical Psychology, University of Management and Technology, Lahore. The sample was raised from among students of either gender aged 18-26 years studying at various public and private universities in Lahore. Data was collected using the Attachment Styles Scale, Dating Violence Scale, Self-Criticism Scale and the Psychosocial and Emotional Reactions Scale. Data was analysed using SPSS 25. RESULTS: Of the 1,768 publications identified, 41(2.3%) were analysed in detail. Of the 15 key informants interviewed, 7(46.6%) were HPs, while 4(26.7%) each were police-makers and facilitators or designers of online modules. Under the two broad categories of "enablers" and "barriers", five subthemes emerged for each. The subthemes related to enablers included personal, content and design, quality of facilitators, peer connectivity, and social networking. The subthemes related to barriers were structural, cultural, curricular and content, human resources, and financial. Conclusion: In Pakistan, the corona virus disease-2019 pandemic brought about a forced digital transformation for health professions students. Blended learning emerged as an effective e-learning model. To inform the development, implementation and sustainability of online continuous professional development of health professionals, a guiding framework comprising various elements, like financing mechanism, appropriate materials and activities, communication strategy, and an evaluation process, incorporating regulatory perspective, contextual factors and clear objectives is essential.
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 | 0,029 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».