Students' Preferred Pedagogical Approaches to Peer‐to‐Peer Teaching with Virtual Dissection
Notice bibliographique
Résumé
Introduction In virtual dissection, near life‐sized three‐dimensional computed tomography (CT) scans are used to study human anatomy. Preferred pedagogical approaches for peer‐to‐peer teaching using this technology have not yet been explored. Aim To identify preferred pedagogical approaches in peer‐to‐peer teaching and to better understand how this adds educational value to virtual dissection in medical education. Methods Second‐year medical students developed and taught a virtual dissection laboratory for their first‐year colleagues, using an anatomy visualization table. This case‐based laboratory was designed to complement the other subjects taught in first year medicine. Participants completed a post‐laboratory survey in which collected their preferred methods for learning this new technology. Results were tabulated and summarized. Results 34 first‐year medical students (24 females, 10 males) participated in this virtual dissection laboratory. Results indicated that small group demonstration sessions were thought to be a better teaching method than large group demonstration sessions (97% vs. 24%) for peer‐to‐peer teaching using virtual dissection. Participants agreed or strongly agreed that the sessions improved their understanding of general anatomy (97%) and disease (85%), the imaging appearance of normal (94%) and pathological (97%) structures, visuospatial relationships (91%), the clinical relevance of anatomy (94%), and the role of radiology in patient care (94%). Most respondents agreed or strongly agreed that watching a virtual dissection (91%) and performing the virtual dissection themselves (82%) facilitated their learning. Conclusion Students reported that the small group demonstration format of peer‐to‐peer teaching was the preferred educational approach for virtual dissection laboratories. The use of novel anatomy visualization technology by peer tutors was an effective method for improving students' understanding of radiologic anatomy and may be used to complement medical education curricula. This abstract is from the Experimental Biology 2019 Meeting. There is no full text article associated with this abstract published in The FASEB Journal .
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 | 0,001 |
| 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 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 ».