건강 과학 학생을 위한 프로젝트 기반 학습 지침: 데이터 마이닝 및 정성적 기술을 사용한 분석
December 9th, 2022
여기에서는 건강 과학 학생(20-56세)을 위한 프로젝트 기반 학습 방법론의 행동 분석을 위한 프로토콜을 제시합니다. 이 프로토콜은 모니터링 도구를 통해 e-러닝과 혼합 학습(b-Learning)에서 참가자의 성과를 쉽게 비교할 수 있습니다. 결과는 교육 데이터 마이닝 및 정성적 기술을 사용하여 분석됩니다.
소개.여기에서는 20 세에서 56 세 사이의 건강 과학 학생을위한 프로젝트 기반 학습 방법론의 행동 분석을위한 프로토콜을 제시합니다. 이 프로토콜은 모니터링 도구를 통해 e- 러닝과 b- 러닝에서 참가자의 성과를 쉽게 비교할 수 있습니다. 결과는 교육 데이터 마이닝 및 정성적 기술을 사용하여 분석됩니다.
연구 질문. 연구 질문 1, PBL 방법론이 e-러닝을 통해 구현되는지 b-러닝을 통해 구현되는지에 따라 작업 치료를 공부하는 건강 과학 학생의 학습 결과와 만족도에 유의미한 차이가 있습니까? 연구 질문 2, 발견 된 참가자 클러스터가 학습 결과, 학습 행동 및인지 된 만족도를 교육 양식, e- 러닝 대 b- 러닝의 기능으로 일치합니까?
연구 질문 3, PBL 방법론 개선을위한 학생들의 제안은 교육 방식, e- 러닝 대 b- 러닝에 따라 다른가요? 이 프로토콜에 대한 절차는 부르고스 대학의 윤리위원회에서 제공했습니다. 이 프로토콜은 스페인 부르고스 대학교 생명윤리위원회의 절차 규정, 번호 10 03/2022에 따라 실행되었습니다.
참여하기 전에 응답자는 연구 목표를 완전히 알고 있었고 정보에 입각 한 동의를 제공했습니다. 그들은 참여에 대한 재정적 보상을받지 못했습니다. 참가자 모집.
20 세에서 56 세 사이의 성인 참가자를 두 그룹, 고등 교육 학생 및 교사, 특히 작업 치료 학부생에서 모집합니다. 실험 절차, 동의 수집 및 참가자 브리핑. 강의 첫 주 동안 연수생에게 연구 목적과 데이터 수집, 처리 및 저장에 대해 알립니다.
학생들이 참여에 동의하면 사전 동의서에 서명하도록 요청하십시오. 학생들의 사전 지식 평가. 강의 첫 주 동안 학생에게 설문지, 표 2 및 핵심 주제 개념에 대한 사전 지식을 작성하도록 요청하십시오.
학생들에게 프로젝트 기반 교수법과 사용할 다양한 리소스에 대해 알립니다. 학생에게 PBL이 전달되는 방법에 대한 가이드와 프로젝트 평가 및 프로젝트 프레젠테이션을 위한 루브릭을 제공합니다. 사용 가능한 고급 학습 기술 리소스, 지능형 음성 비서, 프로세스 지향 개인화 피드백, 가상 실험실, 자격에 대한 피드백이 포함된 설문지, 뒤집힌 교실 및 PBL 경험에 대해 학생에게 알립니다.
사례 연구의 선택. 학생을 2-5 명의 참가자로 구성된 그룹으로 구성하고 각 그룹에게 0 세에서 6 세 사이의 어린이의 다양한 발달 장애, 신체적, 심리적 또는 감각적 장애와 관련된 일련의 실제 사례 중에서 선택하도록 요청하십시오. 프로젝트 개입의 범위에 대한 설명.
각 그룹에게 프로젝트를 구현할 서비스 유형을 설명하는 소개를 준비하도록 요청하십시오. 그들은 조기 치료의 틀 내에서 건강 교육 분야, 환자 그룹 또는 개인 서비스 분야의 개입 중에서 선택할 수 있습니다. 개입 영역에서 일하는 전문가에 대한 설명.
각 그룹에 개입 할 전문가의 역할과 학제 간 작업을 장려하는 데 적용될 관계 구조를 설명하도록 요청하십시오. 중재 사례 연구에 대한 설명. 각 그룹에게 병리학 또는 발달 장애의 특성을 설명하도록 요청하십시오.
개입 프로그램 작성. 각 그룹에게 다음 요소, 초기 사용자 평가, 초기 평가 결과를 기반으로 제안된 평가 지표, 아동의 기술 또는 행동 개발을 달성하기 위해 제안된 중재 절차, 중재에 필요한 자료, 일반화 활동 제안 및 개입을 위한 후속 조치 계획을 다루는 중재 프로그램 내의 다양한 단계를 준비하도록 요청하십시오. 프로젝트 문서 제작.
각 그룹에게 선택한 실제 사례를 위해 만들어진 프로젝트를 설명하는 문서를 제공하도록 요청하십시오. 프로젝트 발표. 각 그룹에게 그들이 선택한 실제 사례에 대해 프로젝트를 발표하도록 요청하십시오.
학생들의 후속 조치. 학생들의 상호 작용을 개별적으로 또는 그룹으로 분석 할 수있는 모니터링 학생의 행동 소프트웨어 도구를 통해 UBUVirtual 플랫폼과 학생 그룹의 상호 작용을 평가합니다. 도구를 사용하여 각 학생이 그룹 내에서 어떤 상호 작용을 하는지 확인합니다.
프로젝트 기반 학습에 대한 학생 만족도 평가. 각 학생에게 의견 조사를 완료하고 과정이 끝날 때 PBL 작업에 대한 만족도를 작성하도록 요청하십시오. 프로토콜 단계의 개요입니다.
데이터 분석. 스프레드시트 형식의 모든 데이터를 통계 프로그램으로 가져옵니다. PBL의 정교화, PBL의 발표, 학습 결과 총계, MSL 액세스 및 교육에 대한 학생의 만족도, 독립 변수, 우리가 가르치고있는 구현과 같은 e- 러닝 양식의 유형, 공변량, 사전 지식.
고정 효과로 ANCOVA를 수행하여 양식 e-러닝 대 b-러닝을 가르치고 이전 지식을 공변량합니다. 다중 변수 분석을 선택하고 종속 변수, PBL의 정교화 및 표현, 학습 결과 합계, LMS 액세스 및 교수에 대한 학생의 만족도, 독립 변수 유형의 교수 방식 및 공변량 사전 지식을 포함합니다. 주변 평균을 추정하고 ANCOVA 분석을 수행합니다.
K-평균 군집 분석, PBL의 변수 정교화 및 표현, 학습 결과 합계, LMS 액세스 및 교수에 대한 학생의 만족도, 군집 구성원 연속, 통계, 초기 군집 중심, 분산 분석표 및 각 사례에 대한 군집 정보, 계속을 선택합니다. 클러스터 멤버쉽에 대해 찾은 데이터와 e-러닝 대 b-러닝 교육 방식 그룹 간의 크로스테이블을 선택합니다. 행에서 변수를 선택하십시오 간략히 유형 양식, e- 러닝, 구현 등 우리가 가르치고 있습니다.
열에서 서비스 케이스의 클러스터 번호를 선택합니다. 시각화 소프트웨어를 사용하여 클러스터 분석을 분석합니다. 데이터를 시각화 소프트웨어로 가져옵니다.
히트 맵을 선택합니다. Radviz는 클러스터의 시각화와 사용 된 교육 양식과의 관계와 관련하여 연구 된 다양한 변수를 구현합니다. 정성적 데이터 분석 소프트웨어를 사용하여 e-러닝과 b-러닝의 두 그룹에 대한 PBL 만족도 척도에서 찾은 미해결 답변에 대한 정성적 분석을 수행합니다.
개방형 질문에 대한 답변을 가져와 교육에 대한 만족도를 얻는 학생, SPBL. e-러닝과 b-러닝의 두 가지 교육 방식에서 학생 응답을 분류하도록 선택합니다. 문서 그룹, 교육 방식, e-러닝 대 b-러닝 분석을 선택합니다.
Sankey 다이어그램을 선택합니다. 결과를 스프레드시트 형식으로 내보냅니다. 대표 결과.
PBL 점수의 정교화에는 상당한 차이가 있었으며 e- 러닝 점수가 더 높았습니다. b-러닝 그룹은 PBL 및 LMS 액세스 프레젠테이션에서 더 높은 점수를 받았습니다. 전체 학습 결과에서는 유의미한 차이가 발견되지 않았으며 공변량으로서의 사전 지식에 대한 효과는 발견되지 않았습니다.
서로 다른 변수에서 차이가 발견 된 두 개의 클러스터가 발견되었지만 모든 변수에서 하나가 다른 것보다 우월하다는 것을 입증 할 수는 없었습니다. 그 후, 교수 양식 변수 e- 러닝 대 b- 러닝과 관련하여 각 참가자에게 할당 된 소속 클러스터의 값과 각 그룹에 속하는 비율 사이에 교차 테이블이 준비되었습니다. C의 분할계수는 0.40입니다.
p는 0.00과 같았다. 또한 PBL 정교화, PBL 발표, 전체 학습 결과, LMS 액세스 및 교육에 대한 학생 만족도에 대한 변수에 대해 클러스터 간에 분산 분석을 수행했습니다. p는 0.03이고 LMS 액세스는 p가 0.00과 같음 프레젠테이션에서 유의한 차이가 발견되었습니다.
시각적 클러스터 분석은 연구 된 다양한 변수, PBL의 정교화, PBL의 표현, 총 학습 결과, LMS에 대한 액세스 및 교육에 대한 학생 만족도와 관련하여 교수 양식 e- 러닝 대 b- 러닝을 변수로 사용하는 시각화 소프트웨어를 사용하는 K- 평균 기술을 통해 수행되었습니다. 다음으로, 군집에 있는 변수의 동작에 대한 히트 맵이 구성되었습니다. 가상 학습 플랫폼인 UBUVirtual에서 학생들의 행동과 e-러닝 대 b-러닝 교수 유형에서 클러스터 1과 2에서 더 큰 차별이 발견되었습니다.
답변은 정성적 데이터 분석 소프트웨어를 사용하여 e-러닝과 b-러닝 그룹의 두 그룹으로 분류되었습니다. Sankey 다이어그램을 적용하여 두 그룹에서 학생들의 응답을 분류하고 분석한 빈도. 결론적으로, 사용 된 교육 방식 인 e- 러닝 대 b- 러닝은 PBL 방법론을 적용한 결과에 차이가 있습니다.
e- 러닝 그룹의 학생들은 프로젝트 실행에서 더 높은 점수를 받았으며 b- 러닝 그룹은 프로젝트 발표에서 더 높은 점수를 받았습니다. 또한 b-learning 그룹에서 가상 플랫폼에 대한 액세스가 증가했습니다. 만족도는 두 가지 양식 모두에서 매우 높았으며 그룹간에 큰 차이가 없었습니다.
요컨대, e-러닝 대 b-러닝의 교육 방식은 PBL의 다른 요소의 결과에 영향을 미칠 수 있습니다. 향후 연구에서이 주제는이 프로토콜의 주제이기 때문에 다른 건강 과학 학위 과정의 학생과 동일한 패턴이 발견되는지 확인하기 위해 매우 깊이 탐구 될 것입니다. 대조적으로, 전체 학습 결과나 교수법에 대한 학생 만족도에는 차이가 없습니다. 제한.
이 연구는 작업 치료에서 단일 학위를 공부하는 학생들에게만 사용 된 PBL 방법론에 관한 것입니다. 다중 또는 학제 간 교육 설계로 구현되지 않았습니다. 그러나이 방법론을 다른 연구에 적용하면 더 큰 효과를 얻을 수 있으며 학생들이 미래에 취업 시장에 진입하는 데 도움이 될 것입니다.
View the full transcript and gain access to thousands of scientific videos
개요
이 기사는 20세에서 56세 사이의 건강 과학 학생들의 프로젝트 기반 학습 방법론의 행동 결과를 분석하기 위한 프로토콜을 제시합니다. 이 연구는 모니터링 도구를 사용하여 e-러닝과 혼합 학습(b-러닝)의 효과를 비교하고, 교육 데이터 마이닝 및 질적 기법을 통해 결과를 분석합니다.
주요 연구 구성 요소
과학 분야
- 건강 과학 교육
- 프로젝트 기반 학습
- 교육 데이터 마이닝
배경
- 프로젝트 기반 학습은 건강 과학 교육에서 점점 더 많이 사용되고 있습니다.
- 다양한 학습 모달의 효과를 이해하는 것이 중요합니다.
- 이전 지식은 학습 결과와 만족도에 영향을 미칠 수 있습니다.
- 교육 데이터 마이닝은 학습 행동에 대한 통찰력을 제공할 수 있습니다.
연구 목적
- e-러닝과 b-러닝 간의 학습 결과를 비교합니다.
- 학습 모달에 따른 학생 만족도를 평가합니다.
- 이전 지식과 학습 결과 간의 관계를 탐구합니다.
사용된 방법
- 건강 과학 학생들을 위한 행동 분석 프로토콜.
- e-러닝과 b-러닝 방법론의 비교.
- 참가자 성과를 추적하기 위한 모니터링 도구.
- 교육 데이터 마이닝 및 질적 기법을 사용한 분석.
주요 결과
- e-러닝과 b-러닝 간의 학습 결과에 차이가 있습니다.
- 학습 모달에 따라 학생 만족도가 다양합니다.
- 참가자 클러스터는 학습 결과 및 행동과 일치합니다.
- 이전 지식은 학습 결과에 중요한 영향을 미칩니다.
결론
- e-러닝과 b-러닝은 학생 결과에 서로 다른 영향을 미칩니다.
- 이전 지식은 학습 효과에 중요한 역할을 합니다.
- 교육 데이터 마이닝은 학습 방법론을 분석하는 데 가치가 있습니다.
자주 묻는 질문
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
