Microlearning Effectiveness in Higher Education: A Systematic Review and Meta-Analysis of Student Retention and Learning Outcomes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The proliferation of digital technologies in higher education has necessitated innovative pedagogical approaches to enhance student retention and learning outcomes. Microlearning, characterized by short, focused learning segments, has emerged as a promising strategy for addressing contemporary educational challenges. This systematic review and meta-analysis evaluates the effectiveness of microlearning interventions in higher education settings, specifically examining their impact on student retention rates and learning outcomes from 2020-2025. Following PRISMA guidelines, we comprehensively searched multiple databases, including PubMed, Scopus, Web of Science, ERIC, and IEEE Xplore. Studies were included if they examined microlearning interventions in higher education contexts with quantitative measures of student retention or learning outcomes. Quality assessment was performed using the Newcastle-Ottawa Scale and Cochrane Risk of Bias tool. Of 2,847 initially identified studies, 42 met inclusion criteria, encompassing 15,673 participants across 18 countries. Meta-analysis revealed significant positive effects of microlearning on student retention (pooled OR = 1,87; 95% CI: 1,45-2,41; p < 0,001) and learning outcomes (standardized mean difference = 0,74; 95% CI: 0,58-0,90; p < 0,001). Subgroup analyses indicated greater effectiveness in STEM subjects when combined with mobile technologies. Heterogeneity was moderate (I² = 67% for retention, I² = 71% for learning outcomes). Microlearning significantly positively affects student retention and learning outcomes in higher education. The evidence supports its implementation as an effective pedagogical strategy, particularly in statistics education and technology-enhanced learning environments. Future research should focus on long-term retention effects and optimal design principles.
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.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 découle