Development and Use of an Interactive Computerized Dog Model to Evaluate Cranial Nerve Knowledge in Veterinary Students
Notice bibliographique
Résumé
In veterinary medicine, the cognitive skills necessary to interpret neurological disorders from text-based case descriptions may not translate into the diagnostic capabilities required for clinical neurological patients. As live animals exhibiting certain specific neurological disorders are infrequent during a student's exposure to clinics, students may graduate without the experience necessary to make an accurate diagnosis in the field. To address this, we have developed a computerized simulated dog head that can exhibit cranial nerve dysfunctions and respond to specific testing procedures in a clinically accurate manner. To evaluate whether this type of model could add value to traditional student assessments, we created a multiple-choice quiz system with three types of questions: standard text-based cases, videos of an expert performing an examination of the simulated dog, and an interactive version requiring the student to perform an appropriate examination of the simulated dog to uncover the lesion localization. In an experiment conducted with 97 freshman veterinary students who had recently been taught cranial nerve anatomy and function, we found that examination performance decreased with the need for interactivity compared to memorization of fact, while satisfaction increased. Students were less likely to identify the correct disorder when they had to conduct the examination of the virtual dog themselves, revealing an inadequacy in traditional neuroanatomical teaching. However, students overwhelmingly supported the use of interactive question for assessment. Interestingly, performance on text-based questions did not correlate significantly with interactive or video questions. The results have implications for veterinary teaching and assessment within the classroom and in clinical environments.
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 | 0,003 | 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 | 0,001 |
| 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 ».