Development and Application of an Interactive Neuropathology iBook as a Complementary Learning Tool for Veterinary Medicine Students
Notice bibliographique
Résumé
Neuropathology is a challenging subject for most medical students. Delivering a gamified learning tool on this topic may motivate students and increase knowledge in the discipline. We report on the development of such a tool in iBook format for the systemic pathology course delivered at Ross University School of Veterinary Medicine. Composed of 10 chapters (cases), this Neuropathology iBook (NP-iB) reviews basic clinical manifestations, neuropathology, and pathogenesis of common non-neoplastic conditions that cause brain disease in domestic animals. The goal of each chapter is to reach a diagnosis by interactively answering specific questions after reviewing relevant medical history, clinical pathology, and autopsy findings. Our hypothesis: the NP-iB improves students’ ability to recognize these diseases, reflected in higher test scores. Using a post-test-only control group design, data were gathered from all students enrolled in the course in two different semesters, fall 2017 and spring 2018 ( n = 300). NP-iB users ( n = 51, 17%) and usage time were identified by answers to multiple-choice questions embedded in the course assessments. Ninety percent of users had a positive perception although no statistically significant differences were found in median test scores between users and non-users. Statistically significant test score differences were found across how much time students used the NP-iB ( p = .005); the lowest test score median values were found for neuropathology questions not related to the NP-iB in students who used it for more than 3 hours. Unexpectedly, a low number of students preferred this digital learning tool, and its use did not improve their learning outcomes.
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 | 0,001 | 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 | 0,000 | 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 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 ».