Measuring Time Load Using a Mobile Application to Monitor Curriculum Workload

J Vet Med Educ. 2023 Apr;50(2):128-133. doi: 10.3138/jvme-2021-0127. Epub 2022 May 3.

Abstract

Insuffient time for learning activities makes learning very difficult. Weaker students need more time to appropriately manage their learning objectives. To ensure enough study time, curriculum designers must monitor potential mismatches between needed versus provided study time. This study was conducted to measure students' time loads and compare them to the workload determined by the curriculum and measured in European Credit Transfer and Accumulation System (ECTS) credits. Time load entry using the Studo mobile application consisted of entering the time required for all learning activities, categorized into attendance, self-study, and writing student papers, per course. In addition to time load measures, socio-demographic information on travel time, care obligations, and employment status was recorded. Over six semesters (2018/2019-2021), the average response rate per semester was low (8%-17%). Of the 75 piloted courses (4-16 per semester), 2 exceeded the number of hours specified in the curriculum. Regarding socio-demographic data, 3%-34% of the evaluated students worked part time (≥ 10 hours per week). In summary, students were disinclined to measure their learning time. With consideration of potential nonresponse bias, no significant evidence of curriculum workload exceedance was found for the evaluated courses at the University of Veterinary Medicine, Vienna. However, some students are under increased individual time pressure due to part-time employment. The ratio of measured to estimated time should be monitored as a key component to improve performance and enhance student learning.

Abstrakt Lernprozesse können nicht optimal gesteuert werden, wenn dafür zu wenig Zeit zur Verfügung steht. Insbesondere schwächere Studierende benötigen mehr Zeit. Um sicherzustellen, dass Studierenden ausreichend Lernzeit zur Verfügung steht, müssen Curriculumgestalter∗innen mögliche Diskrepanzen zwischen benötigter und bereitgestellter Lernzeit überwachen. Diese Studie wurde durchgeführt, um die tatsächliche Zeitbelastung von Studierenden (Timeload) zu dokumentieren und sie mit der durch das Curriculum festgelegten Arbeitsbelastung (Workload), gemessen in Anrechnungspunkten des European Credit Transfer and Accumulation Systems (ECTS), zu vergleichen. Die unterschiedlichen Lernzeiten wurden mit Hilfe der mobilen Anwendung Studo eingegeben und setzen sich aus den Zeitaufwänden für Anwesenheit, Selbststudium und Verfassen von wissenschaftlichen Arbeiten pro Lehrveranstaltung zusammen. Neben den Lernzeiten wurden in der Applikation zusätzlich soziodemographische Angaben zu Betreuungspflichten, Beschäftigungsausmaß und Anfahrtszeiten erfasst. Die durchschnittliche Rücklaufquote pro Semester betrug zwischen 2017/18 und 2021 (6 Semester) 8% bis 17%. Von 75 erfassten Lehrveranstaltungen (4 bis 16 pro Semester) wurde die im Curriculum festgelegte Arbeitsbelastung in zwei überschritten. Bezogen auf die soziodemographischen Daten arbeiteten 3% bis 34% der Studierenden laut Auswertung in Teilzeit (≥ 10 Stunden pro Woche). Zusammenfassend waren die Studierenden zurückhaltend, ihre Lernzeit zu erfassen. Unter Berücksichtigung einer möglichen Schweigeverzerrung durch Antwortausfälle wurden für die evaluierten Lehrveranstaltungen an der Veterinärmedizinischen Universität Wien keine Hinweise auf eine Überschreitung der im Curriculum festgelegten Arbeitsbelastung gefunden. Einige Studierende stehen jedoch aufgrund von Teilzeitbeschäftigung unter erhöhtem individuellen Zeitdruck. Das Verhältnis von gemessener (Timeload) zu geschätzter Zeit (Workload) sollte als qualitativer Indikator für Studierbarkeit überwacht werden, um die Leistung und die Lernsituation der Studierenden zu verbessern.

Keywords: curriculum evaluation; curriculum-evaluation; student learning; studentisches lernen; time load; timeload; workload.

MeSH terms

  • Animals
  • Curriculum
  • Education, Veterinary*
  • Learning
  • Mobile Applications*
  • Workload