MétaCan
Menu
Retour à la cohorte
Enregistrement W3016748396 · doi:10.1096/fasebj.2020.34.s1.01797

Increased Contrast Improves Neuroanatomy Learning for Those with Low Working Memory

2020· article· en· W3016748396 sur OpenAlexaff
Beata Cheung, Esai Bishop, Angela Nguyen, Rebecca Leclair, Anthony N. Saraco, Barbara Fenesi, Bruce Wainman

Notice bibliographique

RevueThe FASEB Journal · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAnatomy and Medical Technology
Établissements canadiensQueen's UniversityWestern UniversityMcMaster University
Organismes subventionnairesnon disponible
Mots-clésContrast (vision)NeuroanatomyRecallWorking memoryWhite matterAnalysis of varianceSet (abstract data type)PsychologyCognitionAudiologyMedicineNeuroscienceCognitive psychologyComputer scienceArtificial intelligenceInternal medicineRadiology

Résumé

récupéré en direct d'OpenAlex

Introduction Anatomy education is burdened by neurophobia, a student’s fear when learning neuroanatomy and clinical neurology. While neurophobia’s cause remains unknown, poor definition of structures in standard neurological specimens may affect students’ learning due to influences on cognitive load. In this study, we examined the effects of increased visual contrast between grey and white matter ‐ done via novel staining method ‐ with the goal of providing insight into how educators can adapt anatomical specimens to aid students during learning and application. Aim To determine if increasing contrast between grey and white matter on human brain slices aids students in learning neuroanatomy, and if the difference in contrast improves students’ performance during testing. Methods Undergraduate students at McMaster University with no prior neuroanatomical education (n = 102) were recruited for a 3‐day protocol. On Day 0, participants learned 12 neuroanatomical structures from a set of brain slices (transverse or coronal section, with low or high contrast). They were then asked to locate and recall these structures on unstained slices of the same section. The learn‐test phase was immediately repeated with a second set of slices counterbalancing section and contrast. Participants returned for a learning‐only session 24 hours later (Day 1) using the same specimens from Day 0, and were tested on unstained sets 48 hours after (Day 2). Participants then completed an Automated Operation Span Task (OSPAN) to assess working memory capacity (WMC), and a learning methods survey. Results Repeated Measures ANOVA tests were performed using Time (Day 0 v. Day 2) and Staining (stained v. unstained) as within‐subject variables. Though Time had an effect, with Day 0 performance being significantly better than that of Day 2 ( F (1, 101) = 26.93, p < .001, ηp 2 = 0.21), there was no effect of Staining. Participants performed relatively equally ( F (1, 101) = 0.234, p = .629, ηp 2 = .002). Participant data were sorted into quartiles based on WMC (OSPAN score). Independent sample t‐tests of the sorted data showed that participants with low WMC performed significantly worse than those with high WMC when learning from low‐contrast specimens, regardless of time ( t (47) = −2.164, p = .036, d = (5.58−4.04) ⁄ 2.49 = .618). However, performance between these groups was equalized after learning from high‐contrast slices ( t (47) = −0.53, p = .596, d = (5.38−4.92) ⁄ 2.98 = .154). Discussion/Conclusion Results show that increased contrast had little effect within individual results; however, it improved overall performance of low WMC participants, helping to match results of high WMC participants. This suggests that the use of high‐contrast brain slices may prove beneficial when teaching students with low WMC that struggle with neuroanatomy, potentially by reducing the cognitive load needed to locate structures so students can re‐allocate cognitive capacity towards learning. Further insight may be gained using eye‐tracking technology to observe student gaze patterns as they view the material to determine how structures are being viewed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,772
Score d'incertitude au seuil0,370

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,210
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe FASEB JournalMême sujetAnatomy and Medical TechnologyTravaux en français237 207