MétaCan
Menu
Retour à la cohorte
Enregistrement W3095572897 · doi:10.1055/s-0040-1717650

Das Augmented Reality Magic Mirror System - Anwendung einer Augmented Reality Technologie in der anatomischen Lehre

2020· article· de· W3095572897 sur OpenAlexaff
AM von der Heide, Ina Seelbach, Felix Bork, Philipp Jutzi, Ming Meng, Pascal Fallavollita, Nassir Navab, Ekkehard Euler

Notice bibliographique

RevueZeitschrift für Orthopädie und Unfallchirurgie · 2020
Typearticle
Languede
DomaineComputer Science
ThématiqueAugmented Reality Applications
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésAugmented realityMAGIC (telescope)Computer scienceArtPhysicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Fragestellung: Ziel der Studie ist die Analyse eines neuen Augmented Reality Magic Mirror Systems (ARMMS) zur anatomischen Wissensvermittlung am Beispiel der oberen Extremität im direkten Vergleich zum Lernmedium Anatomie Atlas (AA). Methodik: Das Setup des ARMMS ist in [ Abb. 1 ] schematisch dargestellt. Abb.1 Schematische Darstellung der Hardware und des Versuchsaufbaus des Augmented Reality Magic Mirror Systems Der TV-Bildschirm wirkt als digitaler Spiegel. Für die korrekte Überlagerung des digitalen Spiegelbildes mit anatomischen Daten wurde der Tracking-Algorithmus von Shotten et al.(1) implementiert. Die Interaktion mit dem ARMMS erfolgt über ein intuitives User Interface. Das ARMMS und der AA stellen im Rahmen dieser Studie nur Scapula, Humerus, Radius, Ulna, M. coracobrachialis, M. biceps brachii, M. triceps brachii, M. brachialis, M. anconaeus, M. pronator teres, M. pronator quadratus und M. supinator mit den jeweiligen anatomischen Informationen dar. Das ARMMS hebt aktivierte Muskeln zusätzlich farblich hervor. 150 Probanden wurden in die Studie eingeschlossen und randomisiert in die Studiengruppen ARMMS und AA eingeteilt. Für beide Gruppen wurde eine identische Lerneinheit, Mulitple-Choice(MC)-Prüfung und ein Fragebogen zur Evaluation der beiden Systeme in den Kategorien Motivation, Qualität des Lernens und Dimensionales Verständnis konzipiert. Die statistische Analyse erfolgte über Box-Plot-Darstellung, Berechnung der Mittelwerte, Standardabweichung, der prozentualen Häufigkeiten, Mann-Whitney-Test und Chi-Quadrat-Test. Das Signifikanzniveau beträgt 5%. Ergebnisse und Schlussfolgerung: In der Gesamtevaluation der Kategorien zeigt sich, dass das ARMMS in allen drei Kategorien signifikant besser evaluiert wird als der AA; p<0.001 in Kategorie Motivation und Dimensionales Verständnis sowie p<0.005 in Kategorie Qualität des Lernens. Die Detailevaluation innerhalb der einzelnen Kategorien ist in [ Tab. 1 ] dargestellt. Tab.1 Mittelwerte und Standardabweichungen je Item der drei Kategorien für beide Gruppen. Mittelwert ARMMS (n=73) Mittelwert AA (n=77) Standardabw eichung ARMMS Standardabw eichung AA p-Wert Kategorie Motivation Steigert meine Motivation 3,16 2,49 0,76 0,75 ,001 Bereitet Spaß beim Lernen 3,30 2,34 0,76 0,68 ,001 Kategorie Qualität des Lernens Fördert meine Aufmerksamkei t 2,97 2,43 0,69 0,79 ,001 Liefert zu viele Informationen 1,96 2,91 0,89 0,83 ,001 Fördert aktives Lernen 3,47 2,34 0,73 0,82 ,001 Hilft eigenständig zu lernen 2,93 2,79 0,77 0,86 ,335 Liefert wichtiges Wissen 3,29 3,47 0,74 0,58 ,176 Stellt Anatomie übersichtlich dar 3,36 2,99 0,82 0,72 ,001 Hilft Wissen im Gedächtnis zu speichern 2,92 2,29 0,83 0,72 ,001 Kategorie Dimensionales Verständnis Hilft die Anatomie des Armes zu erlernen 3,34 3,22 0,63 0,62 ,221 Fördert mein Verständnis für die unterschiedlich en Bewegungen des Armes 3,59 2,79 0,62 0,83 ,001 Hilft die Funktion der einzelnen Muskeln zu erlernen 3,53 2,70 0,56 0,83 ,001 Visualisiert die Funktion der einzelnen Muskeln 3,67 2,36 0,47 0,97 ,001 (Von 1 = Trifft nicht zu bis 4 = Trifft voll zu) (Von 1 = Trifft nicht zu bis 4 = Trifft voll zu) (Von 1 = Trifft nicht zu bis 4 = Trifft voll zu) (Von 1 = Trifft nicht zu bis 4 = Trifft voll zu) Die Gesamtauswertung der MC-Prüfung zeigt eine signifikante Verbesserung des anatomischen Wissens der ARMMS Gruppe, p<0.025. Die Detailauswertung der einzelnen MC-Fragen ist in Tab. 2 dargestellt. Tab.2 Rel. Häufigkeiten (%) der Antworten je MC-Frage, Chi-Quadrat-Test u. p-Wert für beide Gruppen. Frage ARMMS richtig ARMMS falsch AA richtig AA falsch Chi-Quadra tr p-Wert 1) Identifikation des Humerus 93 7 96 4 0,647 ,421 2) Strecker des Ellbogengele nks 57 43 36 64 6,748 ,009 3) Größte Kraftentfaltu ng in Beugestellun g 77 23 61 39 4,279 ,039 4) Identifikation M. coracobrachi alis 72 29 79 21 0,900 ,343 5) Identifikation des wichtigsten Muskels für Streckung im Ellbogen 90 10 80 20 2,930 ,087 6) Ansatz welchen Muskels an der Ulna 16 84 16 84 0,005 ,942 7) Bewegungs-k ombinatione n Ellbogengele nk 73 27 79 21 0,577 ,448 8) Ansatz/Ursprung M. pronator quadratus 82 18 68 32 3,600 ,058 9) Ansatz/Ursprung M. pronator teres 30 70 14 86 5,487 ,019 10) Bewegung M. supinator 54 46 55 45 0,002 ,897 Das einfache Setup des ARMMS, die intuitive Anwendung und das hohe Lehrpotential wurden demonstriert. Diese Ergebnisse stehen in Übereinstimmung mit u.a. Garg et al.(2), Gopal et al.(3), McNulty et al.(4) und Xu et al.(5) die den positiven Einfluss der aktiven Einbindung des Anwenders, wie das ARMMS es ermöglicht, auf den Lernprozess beschreiben. Eine Integration des ARMMS in das medizinische Curriculum als zusätzliches Lehrmedium ist daher zu empfehlen. Stichwörter: Augmented Reality, Interactives Lernen, Menschliche Anatomie, Computer Aided Learning, Medizindidaktik Publication History Article published online: 15 October 2020 © 2020. Thieme. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,053
Tête enseignante GPT0,339
Écart entre enseignants0,286 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

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'admission1
Résumé présentoui

Explorer davantage

Même revueZeitschrift für Orthopädie und UnfallchirurgieMême sujetAugmented Reality ApplicationsTravaux en français237 207