Development of a virtual anatomy lab (VanVR App) for implementation during the Covid19 pandemic to ensure 3D learning with scanned prosections
Notice bibliographique
Résumé
Many anatomy curricula rely on access to gross anatomy labs so that students can engage in experiential learning with donated human bodies. Without access to an anatomy lab, learning is limited to study with 2D print or online materials and 3D models – both physical and virtual. When the restrictions due to the Covid19 pandemic were put into place and it became clear that learning would not occur on campus and in our labs, we wanted to ensure that the students still had access to 3‐dimensional learning from prosections. We built on our experience in 3D photogrammetry and 3D scanning and integrated these specimens into a custom‐built 3D virtual anatomy lab environment. The aim of the design was to create a sense of space and professionalism in the virtual experience. The VanVR application was created using Unity Engine and WebGL with 3D scanning/photogrammetry, and programmed for use on desktop browsers to increase accessibility. The goal of this application is not only to show 3D specimens, but also create an anatomy one‐stop teaching and study tool that includes related reference material for each specimen, such labelled images, videos, web modules, etc. Within this virtual space, students can rotate, zoom and compare specimens, which would be difficult to do during an in‐person anatomy class. The VanVR app has been the main anatomy teaching tool at the University of British Columbia during the pandemic lockdown. Once in‐person teaching resumes, this app will be available as a reference tool for study and review. Feedback from the students about their learning experience has been positive and the VanVR app proved to be a good approach to anatomy education for remote and online learning.
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 | 0,000 | 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 ».