Digital teaching methods in anatomy courses in US and Canadian medical schools
Notice bibliographique
Résumé
Objective To determine current and planned future use of radiological and digital teaching methods in anatomy courses. Methods A survey was sent to AAMC‐listed medical schools, regarding design, duration, topics covered, and use of radiology and digital histologic slides in the anatomy course. Results 60 schools responded (50%). Most time is spent on dissection (51%) and lectures (27%). Radiologic anatomy averages 4.5% of course time. Most schools plan to reduce anatomy teaching time in the next 5 years; lectures, dissections, and prosections will decrease, while digital teaching methods will increase. Anatomy courses that teach histology spend 61% of the time using microscopes, 17% using the web, and 17% using digital slides. In the next 5 years, microscope use will be halved and digital slide use will double. Gross lab practicals and radiology exam questions are tested at most schools. Conclusion Most schools will decrease total hours spent teaching anatomy over the next 5 years without changing time devoted to radiology. Although imaging is used in most schools’ (49) exams, it comprises a small percentage of current and projected teaching time (4.5%). Given the value of radiologic anatomy to patient care, imaging should increasingly play a larger role in teaching anatomy. The trend toward digital histology teaching suggests computer infrastructure for imaging may already be in place or planned for the future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».