Evaluating the effectiveness of learning ear anatomy using holographic models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Computer-assisted learning has been shown to be an effective means of teaching anatomy, with 3-D visualization technology more successfully improving participants' factual and spatial knowledge in comparison to traditional methods. To date, however, the effectiveness of teaching ear anatomy using 3-D holographic technology has not been studied. The present study aimed to evaluate the feasibility and effectiveness of learning ear anatomy using a holographic (HG) anatomic model in comparison to didactic lecture (DL) and a computer module (CM). METHODS: A 3-D anatomic model of the middle and inner ear was created and displayed using presentation slides in a lecture, computer module, or via the Microsoft HoloLens. Twenty-nine medical students were randomized to one of the three interventions. All participants underwent assessment of baseline knowledge of ear anatomy. Immediately following each intervention, testing was repeated along with completion of a satisfaction survey. RESULTS: Baseline test scores did not differ across intervention groups. All groups showed an improvement in anatomic knowledge post-intervention (p < 0.001); the improvement was equal across all interventions (p = 0.06). Participants rated the interventions equally for delivery of factual content (p = 0.96), but rated the HG higher than the DL and CM for overall effectiveness, ability to convey spatial relationships, and for learner engagement and motivation (p < 0.001). CONCLUSIONS: These results suggest that 3-D holographic technology is an effective method of teaching ear anatomy as compared to DLs and CMs. Furthermore, it is better at engaging and motivating learners compared to traditional methods, meriting its inclusion as a tool in undergraduate medical education curriculum.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 découle