The influence of spatial ability on high and low order anatomy examination questions in a first year integrated medical curriculum (343.4)
Notice bibliographique
Résumé
Students with high spatial visualization ability (Vz) achieve higher grades in anatomy than students with low Vz; however, the influence of Vz on different Bloom’s Taxonomy levels of exam questions has not been established. This study examines the effect of Vz on different Bloom’s Taxonomy levels of anatomy questions. It is hypothesized that students with high Vz will outperform students with low Vz on higher order questions. Participants completed the Mental Rotations Test (MRT) to establish Vz. The mean Vz was 11.5±4.7, which divided participants into high Vz (n=30; mean MRT=15.4±2.7) &amp; low Vz (n=29; mean MRT=7.5±2.5) groups. Exam questions were categorized into 4 Bloom’s levels: knowledge, comprehension, application &amp; analysis. Preliminary data indicate students with high Vz (Vz=90.67±6.91) outperform students with low Vz (Vz=84.55±12.86; p<0.05). Students with high Vz performed better on comprehension level questions (p<0.05) whereas, there was no difference when assessing other exam question levels. This suggests that while high Vz students perform better overall &amp; on comprehension questions, there may not be significant differences on knowledge, application &amp; analysis questions. However, this sample only included 5 knowledge, 8 application &amp; 2 analysis questions indicating that the inclusion of future exam questions may be required to establish significance within the other question levels.
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 | 0,001 |
| 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 ».