MétaCan
Menu
Retour à la cohorte
Enregistrement W159880714 · doi:10.1096/fasebj.27.1_supplement.447.2

Memory and Cognitive Load Theory in Anatomical Education

2013· article· en· W159880714 sur OpenAlexaff
Steffi Regpala, Ronald Easteal

Notice bibliographique

RevueThe FASEB Journal · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueAnatomy and Medical Technology
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésInterleavingClass (philosophy)Test (biology)CognitionCognitive loadMathematics educationTerm (time)Learning theoryPsychologySpiral (railway)Long-term memoryMemory testCognitive psychologyComputer scienceArtificial intelligenceNeuroscienceMathematics

Résumé

récupéré en direct d'OpenAlex

A major component of academic development is the improvement of teaching by helping students to consolidate information from short‐term to long‐term memory. Recent advances in Memory and Cognitive Load Theory would seem to be pertinent to the teaching and learning of anatomy. In order to test the efficacy of these learning techniques, students in a large gross anatomy class (n = 280) were exposed to the following teaching innovations ‐ testing for learning, delayed practice, interleaving, and spiral learning. The performance of the students will be analyzed by comparing the marks to a previous class that took the same final exam. Comparisons will be made between the whole class, but also between the lower third, the middle third and the upper third. These results will be tabulated and analyzed by January 2013. The hypothesis is that there will be an increase in test scores, particularly in the lower third.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,993
Score d'incertitude au seuil0,258

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,218
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe FASEB JournalMême sujetAnatomy and Medical TechnologyTravaux en français237 207