Effectiveness of a Radiographic Anatomy Software Application for Enhancing Learning of Veterinary Radiographic Anatomy
Notice bibliographique
Résumé
The goal of this study was to determine the effectiveness of an interactive radiology software application that we developed to enhance learning of normal canine radiographic anatomy. All first-year veterinary medical students were eligible to participate in this subject pre-test-post-test experimental design. When presented with the software application, all students had completed two terms of gross anatomy in which the complete anatomy of the dog had been taught using a combination of lectures and laboratory dissections, including radiographic examples. The software application was divided into four body regions: front limb, hind limb, skull/spine, and thorax/abdomen, each with a learning mode and a quiz mode. Quizzes were composed of 15 questions drawn pseudo-randomly without repeat from all structures within a region (median 206 structures). Students were initially given the software application with only the quiz mode activated. After completing four quizzes, one for each body region, students were given access to the software application with both learning mode and quiz mode activated. Students were instructed to spend 30 minutes using the learning mode to study the radiographic anatomy of each region and to retake each quiz. Quiz scores after using the learning mode were significantly higher for each body region (p<.001), with a large effect size for all four regions (Cohen's d=0.83-1.56). These results suggest that this radiographic anatomy software application is an effective tool for students to use to learn normal radiographic anatomy.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».