Dissection versus Prosection: A Comparative Assessment of the Course Experiences, Approaches to Learning, and Academic Performance of Non‐medical Undergraduate Students in Human Anatomy
Notice bibliographique
Résumé
Many institutions rely upon prosection-based laboratories as more resource-efficient and time-effective alternatives to traditional cadaver dissection for human anatomy education. To facilitate growing enrollment numbers despite resource limitations, the University of Guelph (a non-medical institution) introduced a modified "stepwise" prosection-based laboratory cohort to supplement a dissection-based course. In this design, all students attended the same lectures, but those in the dissection-based cohort learned by performing regional dissections and students in the prosection-based cohort studied from those dissections. Prosection students thereby witnessed a "slow reveal" of structures throughout the course. This study compared the perceived course experiences, student approaches to learning, and academic performance between the two groups. Multiple linear regression analyses were used to isolate the effect of the laboratory environment on student approaches to learning and academic performance from demographic and situational covariates. Both groups reported positive course experience ratings and high average final grades that were not statistically dissimilar (P > 0.05), increased reliance on deep approaches to learning (P = 0.002), and decreased reliance on surface approaches to learning (P = 0.023). When controlling for covariates, participation in dissection had small but statistically significant positive associations with deep approaches to learning (P = 0.043), performance on laboratory oral assessments (P < 0.001), and average final grades (P = 0.039). Ultimately, both designs promoted meaningful learning and desirable performance outcomes, indicating that both dissection and stepwise prosection have the potential to facilitate high quality human anatomy instruction.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».