Evaluation of remote learning in knowledge translation through massive open online courses in the DRC
Notice bibliographique
Résumé
Background: Building capacity in knowledge translation is necessary to bridge the gap between research and practice, but evaluation of knowledge translation training initiatives is limited. In the Democratic Republic of Congo (DRC), stakeholders of a public health project participated in such training that involved completing two massive open online courses (MOOCs) autonomously, with biweekly coaching by a trainer and feedback through email. Objectives: This qualitative study aims to report on their experience with distance training, including implementation barriers and facilitators and the effect on their practice. Method: Twelve semi-structured interviews were conducted with trainees 8 months post-training. The evaluation used three levels of Kirkpatrick’s model – reactions, learning, behaviour change – and the TIPEC framework to identify barriers to implementation. Results: Participants faced significant technological obstacles. Nevertheless, they described a satisfying and collaborative learning experience. The training topic was deemed relevant. The biweekly coaching they received was appreciated, though most did not consider it essential. Most trainees had put their learning into practice by the time of the evaluation. Conclusion: In a context of limited resources, MOOC-based knowledge translation training met the needs of these professionals spread out across a vast territory and was deemed effective from an individual standpoint. This study confirms the importance of tailoring the training to learners’ professional contexts in the DRC. Contribution: This study assessed the effectiveness of MOOC-based learning in a little-described context of a French-speaking low- and middle-income country. It contributes to identifying the added value of this training method.
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 | 0,017 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».