E‐Learning: Effective or Defective? The Impact of Commercial E‐Learning Tools on Learner Cognitive Load and Anatomy Instruction
Notice bibliographique
Résumé
The rising popularity of commercial anatomy e‐learning tools has occurred, in part, due to increasing class sizes and a reduction in anatomy laboratory hours at many educational institutions. Using a dual‐task methodology, we examined two anatomical e‐learning tools (Netters 3D and ADAM Interactive) to determine the effect of their design on cognitive load. We hypothesize that longer reaction times on a modified Stroop secondary task would indicate a higher cognitive load imposed by the primary task (Anatomy Software), which would interfere with learning. Learners (n=7) were assessed using a baseline anatomy knowledge test, secondary task response times, and an anatomy knowledge post‐test. Results showed that when students use ADAM, they have significantly longer reaction times on the secondary task than when they use Netters (1525ms±433 and 1060ms±56 respectively, p=0.039). Ironically, students appeared to perform better on post‐test measures when using ADAM than when using Netters (3.17±1.83 and 1.33±1.21 respectively, p=0.130). These results suggest that ADAM, which is a simplistic 2‐dimensional e‐learning tool, sustains learner attention and facilitates learning more effectively than Netters 3D, a 3‐dimensional interactive e‐learning platform. A study is underway with 50 participants to determine if the trends seen in the initial experiment are consistent within a larger student population.
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 | 0,005 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».