Teaching in small portions dispersed over time enhances long-term knowledge retention
Notice bibliographique
Résumé
BACKGROUND: A primary goal of education is to promote long-term knowledge storage and retrieval. OBJECTIVE: A prospective interventional study design was used to investigate our research question: Does a dispersed curriculum promote better short- and long-term retention over a massed course? METHODS: Participants included 20 gastroenterology residents from the University of Calgary (N = 10) and University of Toronto (N = 10). Participants completed a baseline test of nutrition knowledge. The nutrition course was imparted to University of Calgary residents for 4 h occurring 1 h weekly over 4 consecutive weeks: dispersed delivery (DD). At the University of Toronto the course was taught in one 4h academic half-day: massed delivery (MD). Post-curriculum tests were administered at 1 week and 3 months to assess knowledge retention. RESULTS: The baseline scores were 46.39 +/- 6.14% and 53.75 +/- 10.69% in the DD and MD groups, respectively. The 1 week post-test scores for the DD and MD groups were 81.67 +/- 8.57%, p < 0.001 and 78.75 +/- 4.43, p < 0.001 which was significantly higher than baseline. The 3-month score was significantly higher in the DD group, but not in the MD group (65.28 +/- 9.88%, p = 0.02 vs. 58.93 +/- 12.06%, p = 0.18). The absolute pre-test to 1-week post-test difference was significantly higher at 35.28 +/- 7.65% among participants in the DD group compared to 25.0 +/- 11.80% in the MD group, p = 0.048. Similarly, the absolute pre-test to 3-month post-test difference was significantly higher at 18.9 +/- 6.7% among the participants in the DD group, compared to 6.8 +/- 11.8% in the MD group, p = 0.021. CONCLUSIONS: Long-term nutrition knowledge is improved with DD compared with MD.
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 | 0,006 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».