Does self-modulated learning vs. algorithm-regulated learning of dermatology morphology affect learning efficiency of medical students?
Notice bibliographique
Résumé
BACKGROUND: Deliberate practice is an important method of skill acquisition and is under-utilized in dermatology training. We delivered a dermatologic morphology training module with immediate feedback for first year medical students. Our goal was to determine whether there are differences in accuracy and learning efficiency between self- regulated and algorithm-regulated groups. METHODS: First year medical students at the University of Calgary completed a dermatologic morphology module. We randomly assigned them to either a self-regulated arm (students removed cases from the practice pool at their discretion) or an algorithm-regulated arm (an algorithm determined when a case would be removed). We then administered a pre-survey, pre-test, post-test, and post-survey. Data collected included mean diagnostic accuracy of the practice sessions and tests, and the time spent practicing. The surveys assessed demographic data and student satisfaction. RESULTS: Students in the algorithm-regulated arm completed more cases than the self-regulated arm (52.9 vs. 29.3, p<0.001) and spent twice as much time completing the module than the self-regulated participants (34.3 vs. 17.0 min., p<0.001). Mean scores were equivalent between the algorithm- and self-regulated groups for the pre-test (63% vs. 66%, n = 54) and post-test (90% vs. 86%, n = 10), respectively. Both arms demonstrated statistically significant improvement in the post-test. CONCLUSION: Both the self-regulated and algorithm-regulated arms improved at post-test. Students spent significantly less time practicing in the self-directed arm, suggesting it was more efficient.
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) | 0,000 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».