Developing the Evidence Base for M-Learning in Undergraduate Radiology Education: Identifying Learner Preferences for Mobile Apps
Notice bibliographique
Résumé
PURPOSE: There is a lack of evidence for developing radiology mobile apps for medical students. This study identifies the characteristics which students perceive as most valuable to teaching radiology with mobile apps (m-learning). METHODS: An online anonymous survey was administered to second- to fourth-year medical students at a single institution. The survey, which was based on established theoretical framework, collected students' preferred content organization, content presentation, and delivery strategies. The Copeland method was used to rank student preferences and a 2-tailed t test was used to determine if student responses were related to their clinical experience, with statistical significance at P < .05. RESULTS: The response rate was 25.6% (163/635). For content organization, image interpretation (66.9%), imaging anatomy (61.3%), and common pathological conditions (50.3%) were selected as the most important. For content presentation, quizzes (49.1%) and case presentations (46.0%) were selected as the most useful. Students with clinical experience rated algorithms as more important (P < .01) and quizzes as less important (P = .03). For delivery strategies, ease of use (92.6%), navigation (90.8%), and gestural design (74.8%) were deemed the most applicable. CONCLUSION: This study documents medical students' preferences for m-learning in radiology. Although learner preferences are not the only feature to consider in the development of educational technology, these provide the initial framework for radiologists wishing to develop and incorporate mobile apps into their teaching.
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 | 0,006 | 0,005 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».