The Use of Adaptive Learning Technology to Enhance Learning in Clinical Veterinary Dermatology
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
Clinical teaching in veterinary medicine is challenging for both educators and students. There is an increasing interest in the use of technology-based techniques using adaptive learning to provide students with additional learning experiences. Few studies have evaluated the use of this technique in veterinary medical education. We hypothesized that students with access to adaptive learning modules during dermatology rotation would have significantly higher dermatology test scores compared to students who did not have access to the adaptive learning modules on the same rotation. Incoming third and fourth-year veterinary students to the dermatology rotation, who agreed to participate, were randomly assigned to treatment (provided access to 10 modules using adaptive technology during the rotation) or control group (provided no access to the modules). Study participants completed a pretest two weeks before the rotation start date and a post-test near the rotation end date and a questionnaire to assess students’ learning experience using adaptive learning modules. Students in the treatment group scored significantly higher on the posttest ( p = .019) compared to students in the control group, with an effect size of d = 0.83. Students in both groups scored significantly higher at post-test ( p < .001; d = 1.52 treatment and p = .002; d = 0.74 control) when compared to their pretest. This study shows that the tested adaptive learning platform may be an effective method to augment clinical teaching in veterinary dermatology. This study also indicates that veterinary students perceive the use of adaptive learning technology as beneficial for their 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.
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 | 0,003 | 0,024 |
| 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 | 0,001 |
| 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