Use of Interactive Online Histopathology Modules at Different Stages of a Veterinary Program
Notice bibliographique
Résumé
A mixed-method educational research study was conducted to evaluate the use of a series of online histopathology modules by students at two levels in a professional veterinary medical program. The materials were hypothesized to support student learning of histopathology concepts by facilitating "dual coding" of the content, since they provide both visual and verbal information. Second- and fourth-year professional veterinary students were surveyed about their perceptions of the effectiveness, efficiency, and appeal of the online modules. A historical comparison of final grades in the second-year Pathology course was conducted to evaluate the impact of the materials on academic outcomes. Think-aloud interviews were conducted with the fourth-year students in which the researcher observed the students interacting with the materials and asked them to "tell me what you're thinking as you use the modules." Survey results show that the only area in which the two student groups quantitatively rated the materials differently was their perception of how the materials complemented their learning. In contrast, the qualitative data indicate that advanced students used and perceived the materials differently, perhaps because of their greater metacognitive skills and pre-existing knowledge. We concluded that these findings can be attributed to the manner in which students approached the materials: the fourth-year students felt the materials were less relevant because they did not directly correspond to cases they were seeing, while the second-year students appreciated their relevance to topics in the Pathology course. There was no significant difference in final exam performance for the group of students that used the supplemental online modules and the prior four years' classes, who did not have access to the materials. Overall, this study demonstrated that it is possible to create a set of materials to be used by multiple audiences, provided the needs of each group are taken into consideration during the design process.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,002 | 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 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 ».