Racchumí-Vela A, Sanchez L, Quispe-Juli CU

Idioma: Español
Referencias bibliográficas: 10
Paginas: 33-41
Archivo PDF: 713.08 Kb.

RESUMEN

Introducción: La educación en línea es cada vez más popular, aunque la deserción de los cursos en línea es el principal desafío, hay pocos estudios que han abordado esta situación en la educación de la estadística para la investigación.
Objetivo: Estimar la probabilidad de deserción en un curso en línea de estadística aplicada en salud, se consideró el progreso del curso y su relación con el sexo, edad y profesión de los participantes.
Método: Se llevó a cabo un estudio de cohorte con 108 participantes, se incluyeron profesionales de salud y personal administrativo del Instituto Nacional de Salud del Niño-San Borja (INSN-SB), en un curso virtual de 11 sesiones durante dos meses. Se hizo un análisis descriptivo, así como curvas de Kaplan-Meier para evaluar la probabilidad de abandono según sexo, y regresión de Cox para ajustar los resultados, todo con un nivel de significancia del 5%.
Resultados: El 68.5% abandonó el curso, con una disminución de la tasa de finalización del curso de 37.5% en 2021 a 26.6% en 2022. La mayoría eran mujeres (70.7%) y la deserción más alta fue en 2022. La asistencia entre desertores disminuyó de forma significativa, principalmente en las tres primeras clases (58.1%). Las puntuaciones promedio aumentaron en 2022. El análisis de Kaplan-Meier mostró una probabilidad del 46.3% de abandono después de la quinta sesión, sin diferencias significativas de sexo. En el modelo de regresión no se evidenció asociación significativa entre la deserción y la edad, sexo o profesión.
Conclusión: El curso en línea de estadística en el INSNSB experimentó deserción elevada de más de dos terceras partes de los participantes, la deserción no estuvo asociada a la edad, el sexo o la profesión de los participantes.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Doherty I, Sharma N, Harbutt D. Contemporary and futureeLearning trends in medical education. Med Teach. 2015;37(1):1-3. doi: 10.3109/0142159X.2014.947925

2. Pérez Martinot M. Uso actual de las tecnologías de informacióny comunicación en la educación médica. Rev MedicaHered. 2017;28(4):258. doi: 10.20453/RMH.V28I4.3227

3. Quispe-Juli CU, Velásquez-Chahuares LG, Meza-LiviapomaJ, Fernández-Chinguel JE. ¿Cómo impulsar una sociedadcientífica de estudiantes de medicina? Educ Médica. 2019;20:175-85. doi: 10.1016/J.EDUMED.2017.11.009

4. De la Horra A, Feune de Colombí N, Baker B, Dahal P, LaunoisP, Dermot M, et al. Developing an evidence-led essentialresearch skills training curriculum. World Health Organization;2022. ix, 169.Oster RA, Enders FT. The Importance ofStatistical Competencies for Medical Research Learners. JStat Educ. 2018;26(2):137. doi: 10.1080/10691898.2018.1484674

5. Mansournia MA, Collins GS, Nielsen RO, Nazemipour M,Jewell NP, Altman DG, et al. A CHecklist for statistical Assessmentof Medical Papers (the CHAMP statement): expla-nation and elaboration. Br J Sports Med. 2021;55(18):1009-17. doi: 10.1136/BJSPORTS-2020-103652

6. Huang H, Jew L, Qi D. Take a MOOC and then drop: Asystematic review of MOOC engagement pattern and dropoutfactor. Heliyon. 2023;9(4):e15220. doi: 10.1016/J.HELIYON.2023.E15220

7. Goopio J, Cheung C. The MOOC dropout phenomenon andretention strategies. J Teach Travel Tour. 2020;21(2):177-97.doi: 10.1080/15313220.2020.1809050

8. Rieber LP. Participation patterns in a massive open onlinecourse (MOOC) about statistics. Br J Educ Technol. 2017;48(6):1295-304. doi: 10.1111/BJET.12504

9. Figueroa-Cañas J, Sancho-Vinuesa T. Early prediction ofdropout and final exam performance in an online statisticscourse. Rev Iberoam Tecnol del Aprendiz. 2020 May1;15(2):86-94. doi: 10.1109/RITA.2020.2987727

10. Figueroa-Cañas J, Sancho-Vinuesa T. Changing the recent pastto reduce ongoing dropout: an early learning analytics interventionfor an online statistics course. Open Learn J Open, Distancee-Learning. 2021. doi: 10.1080/02680513.2021.1971963