MétaCan
Menu
Retour à la cohorte
Enregistrement W3016825195 · doi:10.1096/fasebj.2020.34.s1.05251

Evaluating the Impact of the Laboratory Learning Environment and Use of a Computer‐assisted Learning Resource on Anatomical Knowledge Recall among Undergraduate University Students

2020· article· en· W3016825195 sur OpenAlexaffabout
Sean McWatt, Genevieve Newton, Lorraine Jadeski

Notice bibliographique

RevueThe FASEB Journal · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAnatomy and Medical Technology
Établissements canadiensUniversity of GuelphMcGill University
Organismes subventionnairesnon disponible
Mots-clésPsychological interventionRecallCurriculumTest (biology)Gross anatomyLearning environmentResource (disambiguation)Computer scienceMedical educationPsychologyMedicineMathematics educationPathologyPedagogyBiology

Résumé

récupéré en direct d'OpenAlex

Developing lasting knowledge of human anatomy is foundational for students in the health sciences. Anatomy teaching methods are constantly adapting to achieve this goal, despite time and resource limitations. Interventions that target the laboratory environment, such as moving from dissection‐ to prosection‐based teaching or adding computer‐assisted learning resources, are widespread. However, the long‐term effect of such interventions on knowledge retention is not well understood. Accordingly, this study evaluated 1) the influence of the laboratory learning environment (dissection‐ versus prosection‐based) and 2) the impact of a curriculum‐targeted computer‐assisted learning resource on long‐term knowledge recall among non‐medical undergraduate human anatomy students at the University of Guelph. Participants reported their demographic information, approaches to learning in the course, and use of the computer‐assisted learning resource through a combination of online and written surveys. Knowledge recall was assessed through a written test of short‐answer questions administered three months after the course ended. The test included two low‐order questions and two high‐order questions (based on the Blooming Anatomy Tool), which were evaluated using the Structure of the Observed Learning Outcome Taxonomy to yield performance scores. The performance scores were compared between dissection‐ and prosection‐based groups, as well as between low‐ and high‐frequency users of the computer‐assisted learning resource with the Mann‐Whitney U test. Furthermore, multiple linear regression analyses were used to investigate the relationships between 1) the laboratory learning environment and performance and 2) use of the computer‐assisted learning resource and performance, while controlling for students’ approach to learning scores, final grades, and how recently they studied the material. The laboratory environment was not found to influence knowledge recall ( p > 0.05). However, high‐frequency users of the computer‐assisted learning resource demonstrated stronger knowledge recall than low‐frequency users ( p = 0.003) and use of the resource was strongly positively correlated with performance on high‐order questions ( p = 0.014) when controlling for the aforementioned variables. Deep approaches to learning were positively associated with overall knowledge recall ability in both comparisons ( p < 0.05). These findings suggest that the dissection‐ and prosection‐based laboratory teaching approaches at the University of Guelph offered equal opportunities for long‐term knowledge retention; however, using the resource more frequently and pursuing a deeper approach to learning in the course may help students develop stronger long‐term knowledge recall abilities. Therefore, supplemental computer‐assisted learning resources can be used as a low‐risk intervention to support cadaver‐based human anatomy education and promote long‐term knowledge retention.

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)0,001
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,083
Score d'incertitude au seuil0,504

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,030
Tête enseignante GPT0,272
Écart entre enseignants0,242 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe FASEB JournalMême sujetAnatomy and Medical TechnologyTravaux en français237 207