The Usage of “Quizizz”™ App by Sport Sciences Students in the Bachelor’s Degree Anatomy Lecture and Its Effects on Attitude and Course Success
Notice bibliographique
Résumé
Purpose: The aim of this study is to examine the effects of technologically assisted learning for anatomy courses in sport science collegiate. Methods: One hundred forty-four first-year students from sport sciences faculty attended a required anatomy course in the syllabus. The participants of this class were composed of two learning groups as Classical Learning Group (n=48), and New Approach Group (n=96) based on the lecture style. Classical anatomy course carried out with instruction-based method via PowerPoint lecture on the anatomy course materials such as textbooks, models, and printed visualizations of anatomical sites whereas “Quizizz”™ app-based one performed interactively within a technology-assisted way. The end of the semester, participants answered a reliable and valid survey named Anatomy Lectures Attitude Questionnaire (ALAQ). Results: There was a significant difference in the mid-term and course success when compared Classical Learning (CL) and New Approach (NA). However, no significant differences observed final examination, ALAQ results, and sub-factors’. There was a very low correlation between mid-term, final, course success and ALAQ results in NA group. However, no significantly correlation found between mid-term, final, course success and ALAQ results in CL group. Conclusion: The findings reported here suggest that “Quizizz”™ app can enable improving learning outcomes and contribute to test scores for human anatomy in sport sciences collegiate. We do not conceive the substitute traditional learning method within the educational applications for anatomy courses, but it could be regarded as a supplement method of teaching in higher education.
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 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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».