The effect of image quality, repeated study, and assessment method on anatomy learning
Notice bibliographique
Résumé
The use of two-dimensional (2D) images is consistently used to prepare anatomy students for handling real specimen. This study examined whether the quality of 2D images is a critical component in anatomy learning. The visual clarity and consistency of 2D anatomical images was systematically manipulated to produce low-quality and high-quality images of the human hand and human eye. On day 0, participants learned about each anatomical specimen from paper booklets using either low-quality or high-quality images, and then completed a comprehension test using either 2D images or three-dimensional (3D) cadaveric specimens. On day 1, participants relearned each booklet, and on day 2 participants completed a final comprehension test using either 2D images or 3D cadaveric specimens. The effect of image quality on learning varied according to anatomical content, with high-quality images having a greater effect on improving learning of hand anatomy than eye anatomy (high-quality vs. low-quality for hand anatomy P = 0.018; high-quality vs. low-quality for eye anatomy P = 0.247). Also, the benefit of high-quality images on hand anatomy learning was restricted to performance on short-answer (SA) questions immediately after learning (high-quality vs. low-quality on SA questions P = 0.018), but did not apply to performance on multiple-choice (MC) questions (high-quality vs. low-quality on MC questions P = 0.109) or after participants had an additional learning opportunity (24 hours later) with anatomy content (high vs. low on SA questions P = 0.643). This study underscores the limited impact of image quality on anatomy learning, and questions whether investment in enhancing image quality of learning aids significantly promotes knowledge development. Anat Sci Educ 10: 249-261. © 2016 American Association of Anatomists.
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 | 0,002 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».