Implementation Outcomes of Reusable Learning Objects in Health Care Education Across Three Malaysian Universities: Evaluation Using the RE-AIM Framework
Notice bibliographique
Résumé
Background: Current e- learning evaluation focuses on learners' knowledge gain, satisfaction, perceptions, and attitudes; few assess the implementation outcomes of e- learning resources in teaching and learning. Objective: In this study, we used the RE-AIM (Reach, Effectiveness, Adoption, Implementation, and Maintenance) framework to systematically evaluate the implementation outcomes of reusable learning objects (RLOs) in the context of health care education. Methods: This study is a part of the Advancing Co-creation of RLOs to Digitise H ealthcare Curriculum (ACoRD) project, wherein we developed and implemented 23 RLOs across 3 Malaysian universities for medical, pharmacy, and biomedical curricula. Implementation and dissemination strategies were employed. Data were collected using a self-administered web-based questionnaire and Google Analytics. Results: Th is study report s a cumulative RLO access of 7622 users from 48 countries ( reach). Users rated RLOs as very helpful ( 1452/ 2071, 70.1%) or helpful ( 601/ 2071, 29.1 %). Pre assessments and postassessments showed a significant improvement in the knowledge score (21 RLOs, P < .05) and confidence level (17 RLOs, P < .05) (e ffectiveness). All 3 Malaysian universities adopted RLOs in the fields of professional development, primary care medicine, medicine, pediatrics, nursing, pharmacy, and biomedicine ( adoption). The percentage of users who completed RLOs ranged from 5.6% ( 10/ 179) to 8 5% ( 78/ 92), with nonbounced users (users who viewed more than one page) ranging from 16.3% ( 165/ 1014) to 8 8.5 % ( 3 70/ 4 18) ( implementation). In the 4 months following the completion of the AC oRD project, a total of 2107 users accessed RLOs ( maintenance). Conclusions: We systematically evaluated the implementation of e- learning resources by using the RE-AIM framework, informing future strategies to integrate e- learning innovations in real-world teaching and learning practices.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».