Effectiveness of a web‐based cross‐sectional anatomy learning tool (3D‐X) at improving students’ ability to interpret CT images
Notice bibliographique
Résumé
Background Residency programs are demanding an increased knowledge of cross‐sectional anatomy from entering physicians studying radiological imaging. In response to medical schools decreasing the time allotted to teaching anatomy and increasing self‐directed computer‐based learning, a web‐based learning tool (3D‐X) was developed to facilitate the study of cross‐sectional anatomy. The effectiveness of 3D‐X was assessed. Methodology Undergraduate anatomy students (n=82) were randomly assigned to two groups. Each group participated in a 50‐minute learning session prior to identifying anatomical structures in CT images of the abdomen. Group 1 (control) spent the learning session studying the structures of the abdomen from prosection in an anatomy lab. Group 2 spent the first half of the lab session studying from a prosection in the anatomy lab and the second half in the computer lab using 3D‐X. Results A two‐tailed independent t‐test revealed a significant difference in test scores (mean% ± SD) between group 1 (58.4 ± 2.50, n=41) and group 2 (72.1 ± 2.44, n=41). Qualitative analysis revealed that students found the tool useful when presented as an adjunct to traditional gross anatomy. Conclusion This study demonstrates that 3D‐X, when presented in addition to traditional gross anatomy, can improve students’ ability to identify anatomical structures in CT images, as well as improving anatomical knowledge of the abdomen. Grant Funding Source : N/A
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».