건강 과학 학생을 위한 프로젝트 기반 학습 지침: 데이터 마이닝 및 정성적 기술을 사용한 분석
2022년 12월 9일
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.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
개요
본 논문은 20세에서 56세 사이의 보건과학 전공 학생들을 대상으로 프로젝트 기반 학습 방법론의 행동적 결과를 분석하기 위한 프로토콜을 제시합니다. 본 연구에서는 모니터링 도구를 사용하여 이러닝(e-learning)과 블렌디드 러닝(b-learning)의 효과를 비교하며, 그 결과는 교육 데이터 마이닝 및 정성적 기법을 통해 분석되었습니다.
주요 연구 구성 요소
과학 분야
- 보건 과학 교육
- 프로젝트 기반 학습
- 교육 데이터 마이닝
배경
- 보건 과학 교육에서 프로젝트 기반 학습의 사용이 증가하고 있습니다.
- 다양한 학습 양식의 효과를 이해하는 것은 매우 중요합니다.
- 사전 지식은 학습 결과와 만족도에 영향을 미칠 수 있습니다.
- 교육 데이터 마이닝은 학습 행동에 대한 통찰력을 제공할 수 있습니다.
연구 목적
- e-learning과 b-learning 간의 학습 성과를 비교하기 위함입니다.
- 학습 양식에 따른 학생 만족도를 평가하기 위함입니다.
- 사전 지식과 학습 성과 사이의 관계를 탐색하기 위함입니다.
사용된 방법
- 보건과학 전공 학생들을 위한 행동 분석 프로토콜.
- e-러닝과 b-러닝 방법론의 비교.
- 참가자 성과 추적을 위한 모니터링 도구.
- 교육 데이터 마이닝 및 질적 기법을 이용한 분석.
주요 결과
- e-러닝과 b-러닝 간의 학습 성과 차이가 관찰되었습니다.
- 교수법 방식에 따라 학생 만족도가 다르게 나타났습니다.
- 참가자 군집별로 학습 성과와 행동이 일치하는 양상을 보였습니다.
- 사전 지식이 학습 결과에 유의미한 영향을 미쳤습니다.
결론
- e-러닝과 b-러닝 모두 학생의 성과에 뚜렷한 영향을 미칩니다.
- 사전 지식은 학습 효과에 결정적인 역할을 합니다.
- 교육 데이터 마이닝은 학습 방법론을 분석하는 데 유용합니다.
자주 묻는 질문
산업적 관련성 요약
보건 과학 교육에서 프로젝트 기반 학습(PBL) 방식에 대한 정량적 및 정성적 분석은 미래 의료 전문가들의 디지털 기술 개발과 행동 역량을 최적화하기 위한 실행 가능한 통찰력을 제공합니다. 교육 데이터 마이닝과 통계 모델링을 활용함으로써, R&D 리더들은 e-러닝과 블렌디드 러닝이 성과, 참여도 및 만족도에 미치는 영향을 벤치마킹하여 확장 가능한 인력 개발 전략을 수립할 수 있습니다. 이러한 연구 결과는 바이오 제약 및 헬스케어 기업의 디지털 전환과 인재 파이프라인 준비를 위한 증거 기반 의사결정을 뒷받침합니다.
바이오 제약 R&D의 전략적 응용
초기 발견 및 타겟 검증
- 과학 연구팀의 역량 강화를 위한 디지털 학습 중재의 체계적인 평가를 가능하게 합니다.
- 중개 연구 역할에 대한 역량 프레임워크의 데이터 기반 개선을 지원합니다.
- 문제 해결 및 프로젝트 수행 능력에 미치는 교육 방식의 영향에 대한 예측 평가를 용이하게 합니다.
스크리닝 및 분석법 개발
- R&D 부문 전반의 디지털 교육 모듈 표준화를 위해 검증된 행동 지표를 제공합니다.
- 가상 학습 환경에서 참여도와 지식 습득의 재현 가능한 측정을 가능하게 합니다.
- 일관된 온보딩 및 기술 교육을 위해 PBL 리소스의 확장 가능한 배포를 지원합니다.
중개 및 전임상 연구
- 디지털 교육 성과를 진화하는 중개 연구 역량에 맞게 조정합니다.
- 학술 교육에서 전임상 프로젝트 팀에 이르기까지 기술 개발의 연속성을 보장합니다.
- 교차 기능적 중개 이니셔티브에서 기술 격차가 발생할 위험을 줄입니다.
파이프라인 및 워크플로 통합
본 프로토콜은 교육 데이터 마이닝과 행동 분석을 초기 발견부터 중개 연구에 이르는 인력 양성의 필수적인 요소로 설정합니다.
- 발견 생물학: 가설 기반 프로젝트 수행에 있어 디지털 학습 방식의 효과를 정량화합니다.
- 스크리닝: 가상 및 혼합 교육 환경에서의 참여도와 성과 평가를 표준화합니다.
- 분석: 벤치마킹 및 최적화를 위해 학습 결과, 행동 패턴 및 만족도에 대한 실행 가능한 지표를 제공합니다.
- 중개 연구: 학술 교육 결과와 전임상 팀의 준비도 및 역량 일치 사이의 가교 역할을 합니다.
- 기업 재사용: R&D 포트폴리오 전반에서 디지털 교육 전략을 평가하고 확장하기 위한 재사용 가능한 프레임워크를 구축합니다.
운영 및 기업적 영향
- 과학적 가치: 디지털 교육 효율성과 인력 준비도에 대한 예측 신뢰도를 높입니다.
- 운영적 가치: 표준화되고 재현 가능하며 확장 가능한 교육 개입을 가능하게 합니다.
- 전략적 가치: 디지털 교육 인프라 및 인재 개발에 대한 자본 효율적 투자의 근거를 제공합니다.
- 포트폴리오 영향: 다양한 R&D 팀을 위한 교육 방식의 위험 조정 우선순위 설정을 지원합니다.
실행 시 고려 사항
- 교육 데이터 마이닝, 행동 분석 및 통계 모델링에 대한 전문 지식이 필요합니다.
- 모니터링, 데이터 수집 및 시각화를 위한 견고한 디지털 인프라가 요구됩니다.
- 역량 지표 및 평가 표준에 대한 팀 간의 조율이 필요합니다.
- 다양한 보건 과학 분야나 학제 간 팀에 따라 조정이 필요할 수 있습니다.
- 본 프로토콜은 현재 작업치료 교육에서 검증되었으며, 더 광범위한 적용을 위해서는 추가 검증이 필요할 수 있습니다.
바이오파마 FAQ
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
