Learning Impact of a Virtual Brain Electrical Activity Simulator Among Neurophysiology Students: Mixed-Methods Intervention Study
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: Virtual simulation is the re-creation of reality depicted on a computer screen. It offers the possibility to exercise motor and psychomotor skills. In biomedical and medical education, there is an attempt to find new ways to support students' learning in neurophysiology. Traditionally, recording electroencephalography (EEG) has been learned through practical hands-on exercises. To date, virtual simulations of EEG measurements have not been used. OBJECTIVE: This study aimed to examine the development of students' theoretical knowledge and practical skills in the EEG measurement when using a virtual EEG simulator in biomedical laboratory science in the context of a neurophysiology course. METHODS: A computer-based EEG simulator was created. The simulator allowed virtual electrode placement and EEG graph interpretation. The usefulness of the simulator for learning EEG measurement was tested with 35 participants randomly divided into three equal groups. Group 1 (experimental group 1) used the simulator with fuzzy feedback, group 2 (experimental group 2) used the simulator with exact feedback, and group 3 (control group) did not use a simulator. The study comprised pre- and posttests on theoretical knowledge and practical hands-on evaluation of EEG electrode placement. RESULTS: The Wilcoxon signed-rank test indicated that the two groups that utilized a computer-based electrode placement simulator showed significant improvement in both theoretical knowledge (Z=1.79, P=.074) and observed practical skills compared with the group that studied without a simulator. CONCLUSIONS: Learning electrode placement using a simulator enhances students' ability to place electrodes and, in combination with practical hands-on training, increases their understanding of EEG measurement.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 découle