Factors That Influenced Post-Secondary Faculty Members' use of a D2L Learning Management System
Notice bibliographique
Résumé
In 2019, the college administrators at a large 2-year college located in Canada implemented a Learning Management System (LMS) policy for all instructors. The goal of the LMS policy was for faculty members to demonstrate committed professionalism and high degree of competence in teaching. The problem was that instructors underutilized the LMS to provide feedback to students, make course content available in a variety of accessible formats to students, and promote student engagement in learning. In this study, the factors that influenced instructors’ use of the LMS in accordance with the LMS usage policy were explored. The expanded technology acceptance model grounded this study. The research questions were designed to explore how faculty members from the School of Business perceived that the system quality, their self-efficacy and facilitating conditions influenced their use of the LMS in accordance with the LMS policy. A basic qualitative study was conducted, and 11 faculty members employed by the School of Business were interviewed. Data were analyzed using open coding followed by axial coding. The results revealed that participants perceived system quality, self-efficacy and facilitating conditions influenced their use of the LMS in accordance with the LMS policy. The study findings led to the development of a policy paper for administrators at the School of Business that made recommendations regarding interventions to improve faculty member professional practices and the overall student experience. Positive social change could result from the administrators using these recommendations to provide interventions that will improve instructor use of the LMS to provide learning opportunities so that students will become successful learners.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».