University of Saskatchewan Radiology Courseware (USRC): An Assessment of Its Utility for Teaching Diagnostic Imaging in the Medical School Curriculum
Notice bibliographique
Résumé
PROBLEM: We have found it very challenging to integrate images from our radiology digital imaging repository into the curriculum of our local medical school. Thus, it has been difficult to convey important knowledge related to viewing and interpreting diagnostic radiology images. We sought to determine if we could create a solution for this problem and evaluate whether students exposed to this solution were able to learn imaging concepts pertinent to medical practice. INTERVENTION: We developed University of Saskatchewan Radiology Courseware (USRC), a novel interactive web application that enables preclinical medical students to acquire image interpretation skills fundamental to clinical practice. This web application reformats content stored in Medical Imaging Resource Center teaching cases for BlackBoard Learn™, a popular learning management system. We have deployed this solution for 2 successive years in a 1st-year basic sciences medical school course at the College of Medicine, University of Saskatchewan. The "courseware" content covers both normal anatomy and common clinical pathologies in five distinct modules. We created two cohorts of learners consisting of an intervention cohort of students who had used USRC for their 1st academic year, whereas the nonintervention cohort was students who had not been exposed to this learning opportunity. CONTEXT: To assess the learning experience of the users we designed an online questionnaire and image review quiz delivered to both of the student groups. OUTCOME: Comparisons between the groups revealed statistically significant differences in both confidence with image interpretation and the ability to answer knowledge-based questions. Students were satisfied with the overall usability, functions, and capabilities of USRC. LESSONS LEARNED: USRC is an innovative technology that provides integration between Medical Imaging Resource Center, a teaching solution used in radiology, and a Learning Management System.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».