Virtual Dissection: An Interactive Anatomy Learning Tool
Notice bibliographique
Résumé
The novelty of three-dimensional visualization technology (3DVT), such as virtual reality (VR), has captured the interest of many educational institutions. This study's objectives were to (1) assess how VR and physical models impact anatomy learning, (2) determine the effect of visuospatial ability on anatomy learning from VR and physical models, and (3) evaluate the impact of a VR familiarization phase on learning. This within-subjects, crossover study recruited 78 undergraduate students who studied anatomical structures at both physical and VR models and were tested on their knowledge immediately and 48 hours after learning. There were no significant differences in test scores between the two modalities on both testing days. After grouping participants on visuospatial ability, low visuospatial ability learners performed significantly worse on anatomy knowledge tests compared to their high visuospatial ability counterparts when learning from VR immediately (P = 0.001, d = 1.515) and over the long-term (P = 0.003, d = 1.279). In contrast, both low and high visuospatial ability groups performed similarly well when learning from the physical model and tested immediately after learning (P = 0.067) and over the long-term (P = 0.107). These results differ from current literature which indicates that learners with low visuospatial ability are aided by 3DVT. Familiarizing participants with VR before the learning phase had no impact on learning (P = 0.967). This study demonstrated that VR may be detrimental to low visuospatial ability students, whereas physical models may allow all students, regardless of their visuospatial abilities, to learn similarly well.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».