MétaCan
Menu
← Retour à la cohorte

Evaluation of Undergraduate Anatomy Flipped Laboratory Sessions

2019· article· en· W3174742490 sur OpenAlexaff
Paige Eansor, Michele Barbeau

Notice bibliographique

RevueThe FASEB Journal · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésSession (web analytics)ModalitiesModality (human–computer interaction)Flipped classroomClass (philosophy)Medical educationPsychologyComputer scienceMedicineMultimediaMedical physicsMathematics educationArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Introduction The flipped classroom approach (FCA) is a growing pedagogy in higher education. With this approach, students' first exposure to content is prior to class, commonly in the form of two learning modalities: textbook readings, or video recordings. Class time is then focused on the application of knowledge using methods such as discussions, or problem solving. The FCA has been implemented in many lecture‐based courses, but has yet to be fully evaluated for anatomical laboratory sessions. Thus, this cross‐over study sought to: i) compare student outcomes between flipped laboratory sessions (FLS), utilizing different learning modalities, and traditional didactic laboratory sessions (DLS), ii) evaluate student perceptions of both the flipped and didactic laboratory sessions, and iii) determine if students have a preferred learning modality for laboratory sessions. Methodology Students (n=92) were recruited from an undergraduate human anatomy course and placed in one of five study groups, with Western REB approval. Groups 1–4 were exposed to three FLS and one DLS, each focused on a different musculoskeletal region. The three FLS utilized one of the following learning modalities to provide content exposure prior to the laboratory session: a video recording, a 3D anatomy app, or a textbook reading. The DLS were not given content exposure prior to the laboratory session. Group 5 was only exposed to DLS with no prior content exposure for each session. A case‐assessment evaluated student outcomes following each flipped and/or didactic laboratory session. Pre‐ and post‐assessments, utilizing questions with a variety of cognition levels, evaluated the impact of the specific learning modality on student outcomes, and a questionnaire assessed student perceptions of the learning modalities following each session. Results There were no differences between the FLS and DLS case‐assessment final scores. With the exception of the DLS, there were no significant changes between pre‐ and post‐assessment scores. The DLS resulted in significant improvements between pre‐ and post‐assessment scores (Difference 22.1%±2.4 p<0.05). Further analysis of performance on different cognitive level questions will determine if a specific learning modality better prepares students to correctly answer higher‐order thinking questions. Based on the student questionnaire, 41.9% of respondents ranked the didactic laboratory talk as their highest preferred learning modality; while 51.6% ranked the textbook reading as their least preferred learning modality. Further analysis of the questionnaire responses will provide insights into potential reasons for these preferences. Conclusions Undergraduate anatomy students performed significantly better on assessments following a DLS, and preferred the DLS in comparison to the FLS. Didactic lectures, common in anatomy undergraduate courses, may be preferred due to students' familiarity with them; however, as the FCA gains popularity in higher education, student performance and perceptions may change with increased exposure. Furthermore, information collected from the assessments and student questionnaires will provide insight to course designers on methods to more effectively structure the content delivery in laboratory sessions for undergraduate anatomy students. 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,033
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,053

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,033
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,365
Écart entre enseignants0,338 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe FASEB Journal→Même sujetInnovations in Medical Education→Travaux en français237 207→