健康科学学生基于项目的学习指南:数据挖掘和定性技术分析
December 9th, 2022
在这里，我们为健康科学学生（20-56岁）提出了基于项目的学习方法的行为分析协议。该协议有助于通过监测工具比较参与者在电子学习与混合学习（b-Learning）中的表现。使用教育数据挖掘和定性技术分析结果。
在这里，我们为20至56岁的健康科学学生提出了基于项目的学习方法的行为分析协议。该协议有助于通过监测工具比较参与者在电子学习和在线学习中的表现。使用教育数据挖掘和定性技术分析结果。
研究问题。研究问题一，考虑到学生先验知识的影响，学习职业治疗的健康科学学生的学习成果和满意度是否会有显着差异，这取决于PBL方法是通过电子学习还是通过b学习实施？研究问题二，发现的参与者集群是否与学习成果、学习行为和感知满意度相匹配，作为教学模式、电子学习与b-learning的功能？
研究问题三，学生对改进PBL方法的建议会因教学方式、电子学习与b学习而有所不同吗？该协议的程序由布尔戈斯大学伦理委员会提供。该协议是根据西班牙布尔戈斯大学生物伦理委员会的程序规定执行的，编号 10 03/2022。
在参与之前，受访者完全了解研究目标，并提供了知情同意。他们的参与没有得到任何经济补偿。参与者招募。
从两组中招募年龄在20至56岁之间的成年参与者，即高等教育的学生和教师，特别是职业治疗的本科生。实验程序，收集同意书，并向参与者介绍情况。在教学的第一周，告知受训者研究的目标以及数据收集，处理和存储。
如果学生同意参加，请他们签署知情同意书。评估学生的先验知识。在教学的第一周，要求学生完成问卷，表二，以及他们对核心学科概念的先验知识。
告知学生基于项目的教学方法以及要使用的不同资源。为学生提供如何交付PBL的指南，以及项目评估和项目演示的量规。告知学生可用的高级学习技术资源、智能语音助手、面向流程的个性化反馈、虚拟实验室、带有资格反馈的问卷、翻转课堂和 PBL 体验。
案例研究的选择。将学生组织成两到五名参与者的小组，并要求每组从一系列与0至6岁儿童的不同发育障碍（身体，心理或感官）相关的实际案例中进行选择。描述项目干预的范围。
要求每个小组准备一个介绍，描述他们将在其中实施项目的服务类型。他们可以在健康教育、患者群体或早期护理框架内的私人服务领域进行干预之间进行选择。描述在干预领域工作的专业人员。
要求每个小组描述将要干预的专业人员的角色，以及将应用的关系结构，鼓励跨学科工作。干预案例研究的描述。要求每组描述病理或发育障碍的特征。
创建干预计划。要求每个小组准备干预计划内的各个阶段，涉及以下要素，初始用户评估，基于初始评估结果的拟议评估指标，实现儿童技能或行为发展的拟议干预程序，干预所需的材料，推广活动的建议，以及计划干预的后续行动。制作项目文件。
要求每个小组提供一份文档，解释为所选实际案例创建的项目。项目介绍。要求每个小组介绍他们选择的实际案例。
跟进学生的作业。通过监控学生行为软件工具评估学生群体与UBUVirtual平台的互动，该工具允许单独和分组分析学生的互动。使用该工具确定每个学生在小组中的互动。
评估学生对基于项目的学习的满意度。要求每个学生在课程结束时完成一项民意调查，并对PBL工作感到满意。协议步骤概述。
数据分析。将电子表格格式的所有数据导入统计程序。对于PBL的详细说明，PBL的呈现，学习成果总数，MSL访问以及学生对教学的满意度，自变量，电子学习模式的类型，例如我们正在教授的实施，以及协变量，先验知识。
执行具有固定效果的ANCOVA，教学方式电子学习与b学习，并协变量先前的知识。选择多变量分析，包括因变量、PBL 的阐述和呈现、学习成果总数、LMS 访问和学生对教学的满意度、教学模式的自变量类型和协变量先验知识。估计边际均值，并执行 ANCOVA 分析。
选择 K-Means 聚类分析、PBL 的变量阐述和表示、学习成果总数、LMS 访问和学生对教学的满意度、聚类成员连续、统计、初始聚类中心、方差分析表和每个个案的聚类信息、继续。选择为群集成员身份找到的数据与电子学习与 b 学习教学模式组之间的交叉表。在"行"中，在此处选择变量类型"模式"、"电子学习"，例如我们正在教授的实施。
在列中，选择案例的群集编号。使用可视化软件分析聚类分析。将数据导入可视化软件。
选择热图。Radviz 实现了集群的可视化，并根据与所用教学模式的关系研究了不同的变量。使用定性数据分析软件对两组电子学习与在线学习的PBL满意度量表中找到的开放答案进行定性分析。
导入开放式问题的答案，获得学生对教学的满意度，SPBL。选择在两种教学模式（电子学习与b-learning）中对学生的回答进行分类。选择文档组、教学方式、电子学习与 b 学习分析。
选择桑基图。将结果导出为电子表格格式。具有代表性的结果。
PBL分数的阐述存在显着差异，电子学习得分更高。b-learning组在PBL和LMS访问方面的得分更高。在总学习成果中没有发现显着差异，并且没有发现先验知识作为协变量的影响。
发现了两个聚类，其中检测到不同变量的差异，但无法确定一个聚类在所有变量中都优于另一个。随后，在分配给每个参与者的关于教学方式变量电子学习与b学习的归属集群值与属于每个组的百分比之间准备了一个交叉表。C 的列联系数等于 0.40。
得到 p 等于 0.00。此外，在聚类之间对PBL的阐述，PBL的呈现，总学习成果，LMS访问和学生对教学的满意度的变量进行了方差分析。在表现方面存在显著差异，p 等于 0.03，LMS 访问，p 等于 0.00。
使用可视化软件通过K-means技术进行视觉聚类分析，将教学方式电子学习与b学习作为变量，涉及所研究的不同变量，PBL的阐述，PBL的呈现，总体学习成果，LMS的访问以及学生对教学的满意度。接下来，为聚类中变量的行为构建热图。在第一组和第二组中，在虚拟学习平台UBUVirtual上学生的行为以及电子学习与b-learning的教学类型方面存在更大的歧视。
使用定性数据分析软件，答案分为两组，电子学习组和在线学习组。通过应用桑基图对两组学生的反应进行分类和分析的频率。结论，使用的教学方式，电子学习与b学习，导致应用PBL方法的结果存在差异。
电子学习组的学生在项目执行中得分较高，而b学习组的学生在演示项目方面得分较高。在b学习组中，对虚拟平台的访问也有所增加。两种方式的满意度都非常高，两组之间没有显著差异。
总之，教学方式，电子学习与b学习，可能会影响PBL不同元素的结果。在未来的研究中，将深入探讨该主题，以查看是否与其他健康科学学位课程的学生发现相同的模式，因为这是本协议的主题。相比之下，在总体学习成果或学生对教学方法的满意度方面没有差异。局限性。
这项研究是关于PBL方法的，该方法仅用于攻读职业治疗单学位的学生。它没有通过多学科或跨学科的教学设计来实现。然而，将这种方法应用于其他研究将带来更大的效果，并帮助学生在未来进入就业市场。
View the full transcript and gain access to thousands of scientific videos
概述
本文介绍了一种分析健康科学专业学生（年龄在20至56岁之间）基于项目的学习方法的行为结果的协议。该研究使用监测工具比较了电子学习和混合学习（b-learning）的有效性，通过教育数据挖掘和定性技术分析结果。
研究的主要组成部分
科学领域
- 健康科学教育
- 基于项目的学习
- 教育数据挖掘
背景
- 基于项目的学习在健康科学教育中越来越多地使用。
- 了解不同学习模式的有效性至关重要。
- 先前的知识可能影响学习结果和满意度。
- 教育数据挖掘可以提供对学习行为的洞察。
研究目的
- 比较电子学习和混合学习之间的学习结果。
- 根据学习模式评估学生满意度。
- 探索先前知识和学习结果之间的关系。
使用的方法
- 健康科学学生的行为分析协议。
- 电子学习和混合学习方法的比较。
- 跟踪参与者表现的监测工具。
- 使用教育数据挖掘和定性技术进行分析。
主要结果
- 观察到电子学习和混合学习之间的学习结果存在差异。
- 学生满意度根据教学模式有所不同。
- 参与者群体匹配了学习结果和行为。
- 先前的知识显著影响了学习结果。
结论
- 电子学习和混合学习对学生结果都有不同的影响。
- 先前的知识在学习有效性中起着关键作用。
- 教育数据挖掘对分析学习方法有价值。
常见问题
Executive Industry Relevance
Quantitative and qualitative analysis of project-based learning (PBL) modalities in health sciences education provides actionable insights for optimizing digital skill development and behavioral competency in future healthcare professionals. By leveraging educational data mining and statistical modeling, R&D leaders can benchmark the impact of e-learning versus blended learning on performance, engagement, and satisfaction, informing scalable workforce development strategies. These findings support evidence-based decisions for digital transformation and talent pipeline readiness in biopharma and healthcare enterprises.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables systematic evaluation of digital learning interventions for upskilling scientific teams.
- Supports data-driven refinement of competency frameworks for translational research roles.
- Facilitates predictive assessment of training modality impact on problem-solving and project execution skills.
Screening & Assay Development
- Provides validated behavioral metrics for standardizing digital training modules across R&D functions.
- Enables reproducible measurement of engagement and knowledge acquisition in virtual learning environments.
- Supports scalable deployment of PBL resources for consistent onboarding and technical training.
Translational & Preclinical Research
- Aligns digital education outcomes with evolving translational research competencies.
- Ensures continuity in skill development from academic training to preclinical project teams.
- Reduces risk of skill gaps in cross-functional translational initiatives.
Pipeline & Workflow Integration
This protocol positions educational data mining and behavioral analytics as integral to workforce development from early discovery through translational research.
- Discovery Biology: Quantifies the effect of digital learning modalities on hypothesis-driven project execution.
- Screening: Standardizes assessment of engagement and performance in virtual and blended training environments.
- Analytics: Delivers actionable metrics on learning outcomes, behavioral patterns, and satisfaction for benchmarking and optimization.
- Translational Research: Bridges academic training outcomes with preclinical team readiness and competency alignment.
- Enterprise Reuse: Establishes a reusable framework for evaluating and scaling digital education strategies across R&D portfolios.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence in digital training efficacy and workforce readiness.
- Operational Value: Enables standardized, reproducible, and scalable training interventions.
- Strategic Value: Informs capital-efficient investment in digital education infrastructure and talent development.
- Portfolio Impact: Supports risk-adjusted prioritization of training modalities for diverse R&D teams.
Implementation Considerations
- Requires expertise in educational data mining, behavioral analytics, and statistical modeling.
- Demands robust digital infrastructure for monitoring, data collection, and visualization.
- Necessitates cross-team alignment on competency metrics and evaluation standards.
- Adaptation may be needed for different health science disciplines or interdisciplinary teams.
- Protocol currently validated in occupational therapy education; broader application may require further validation.
Biopharma FAQs
Chapters in this video
0:05
Introduction
1:52
Participant Recruitment
2:10
Collecting Consents and Briefing the Participants
2:29
Assessing the Students' Prior Knowledge
2:41
Informing the Students About the Project-Based Teaching Methodology and the Different Resources to be Used
3:17
Choice of Case Study
3:37
Description of the Scope of the Project Intervention
3:58
Description of the Professionals Working in the Intervention Area
4:15
Description of the Intervention Case Study
4:24
Creation of the Intervention Program
5:00
Production of a Project Document
5:10
Presentation of the Project
5:17
Follow-Up of Students' Work
5:28
Analyzed in Groups
5:41
Evaluation of Student Satisfaction with Project-Based Learning
5:55
Data Analysis
9:05
Representative Results
12:01
Conclusions
