Learner characteristics involved in visuospatial anatomy comprehension (535.1)
Notice bibliographique
Résumé
The practical aspect of human anatomy instruction is becoming less dissection based and increasingly more reliant on computerized, three‐dimensional (3D) teaching tools. Some students find it difficult to learn from these tools and it is important not to alienate this group of learners. Previous studies have demonstrated that the spatial relations subcomponent of spatial ability is predictive of success in 3D anatomy comprehension, but the effect of other spatial ability subcomponents has not been examined. This study explored the role of three subcomponents of spatial ability and the effect of prior domain knowledge in comprehending a 3D teaching tool. By adding more spatial ability subcomponents and a knowledge component the results may provide a broader picture of the relevant learner characteristics involved in comprehending these tools. 60 students from Western University were recruited. Participants performed an anatomy knowledge test (AKT), three standardized spatial tests, and a pre and post spatial anatomy task (SAT) with a 3D teaching tool as an intervention. Preliminary data analysis (N=24) suggests that participants’ scores on the AKT and the three spatial ability tests are predictive of learning from the 3D teaching tool (p<0.01). These results may have implications for the appropriate design and implementation of computerized 3D instructional animations. Grant Funding Source : Lippincott Williams Wilkins/AAA Education Research Scholarship
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 | 0,000 | 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 | 0,001 |
| 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 ».