وزن دهی گزاره های ارزشیابی اعضای هیات علمی دانشکده دندانپزشکی اصفهان از دیدگاه دانشجویان
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 155
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJME-20-83_048
تاریخ نمایه سازی: 10 دی 1401
چکیده مقاله:
مقدمه: در راستای بهبود نظام ارزشیابی اساتید در دانشگاه علوم پزشکی، یکی از اقدامات لازم، بهبود فرم های ارزشیابی است. با توجه به تفاوت ارزش معیارهای معمول از دیدگاه فراگیران، این مطالعه با هدف اولویت بندی و وزن دهی گزاره های ارزشیابی اعضای هیات علمی دانشکده دندانپزشکی از دیدگاه دانشجویان دانشکده دندانپزشکی بر اساس آنتروپی شانون انجام شد.
روش ها: مطالعه حاضر به صورت مقطعی توصیفی در دانشجویان بعد از علوم پایه دانشکده دندانپزشکی اصفهان در سال ۱۳۹۷-۱۳۹۸ انجام شد. ۴۳۲ نفر از دانشجویان به صورت سرشماری به طرح وارد شدند و به میزان اهمیت گزاره های فرم های ارزشیابی رایج در سامانه ارزشیابی اساتید دانشگاه، بر اساس طیف لیکرت (خیلی مهم تا بسیار کم اهمیت) نمره دادند. جهت وزن دهی و اولویت بندی گزاره ها از روش آنتروپی شانون(Shannon ) در نرم افزار اکسل، استفاده شد. میانگین نمرات اهمیت با آزمون های غیر پارامتریک مربوطه برای ارتباط با جنسیت، سال ورودی و معدل دانشجو مورد تجزیه و تحلیل قرار گرفت.
نتایج: براساس نظرات ۳۹۳ نفر از دانشجویان، در بین دروس عملی توجیه فراگیران با وزن ۰۶۲۶۹/۰ و حضور به موقع استاد در محل آموزش عملی با وزن ۰۶۲۶۱/۰ و در دروس نظری، ارائه مطالب درسی به صورت کاربردی با وزن ۰۸۳۵۸/۰ و تسلط بر مطالب درسی با وزن ۰۸۳۵۴/۰ بیش ترین وزن را به خود اختصاص داد. نتایج نشان داد در دروس عملی معیار "توجیه یادگیرنده در ابتدای آموزش عملی" و در دروس نظری معیارهای "ارائه مطالب درسی به صورت کاربردی" دارای بیش ترین اهمیت و وزن بود.
نتیجه گیری: وزن های به دست آمده برای گزاره های ارزشیابی بر اساس روش شانون در ابزار ارزشیابی مربوط به دروس عملی و نظری پس از تایید پایایی می تواند در محاسبات استفاده گردد.
کلیدواژه ها:
نویسندگان
ایمانه عسگری
Isfahan University of Medical Sciences
مهدی خسروی
Isfahan University of Medical Sciences
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :