MétaCan
Menu
Retour à la cohorte
Enregistrement W3175121545 · doi:10.1096/fasebj.2018.32.1_supplement.lb516

Does a Curriculum‐Targeted, Dissection‐Based Laboratory Workbook Influence Student Learning Outcomes in Undergraduate Human Anatomy?

2018· article· en· W3175121545 sur OpenAlexaffabout
Jason Valencia, Sean McWatt, Lorraine Jadeski

Notice bibliographique

RevueThe FASEB Journal · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAnatomy and Medical Technology
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésWorkbookCurriculumWorkloadMedical educationPsychologyHuman anatomyDissection (medical)MedicineComputer scienceAnatomyPedagogy

Résumé

récupéré en direct d'OpenAlex

Human anatomy is an information‐dense field that often has institutional‐ and curricular‐imposed restraints. The resulting time and resource limitations cultivate a need to develop and implement tools that promote efficiency through self‐directed student learning opportunities. Furthermore, such tools require testing to ensure that they positively contribute to meaningful student learning. We recently created an educational tool to promote student efficiency in the cadaver‐based laboratory at the University of Guelph. The Human Anatomy Laboratory Companion (HALC) is a paper‐based, take‐home workbook for undergraduate students enrolled in our dissection‐ based, third‐year human anatomy course. The overall goal of the HALC was to provide students with a curriculum‐targeted, cadaver‐based resource for pre‐laboratory preparation and post‐laboratory review. This pilot study examined students' reported use of the HALC, and determined if usage influenced their course experience, contextual learning approaches, or course performance outcomes. Course experience was measured using the Course Experience Questionnaire (CEQ), while the students' preferred and contextual approaches to learning were measured using the Revised Two Factor Study Process Questionnaire (RSPQ‐2F). Student grades on written and laboratory tests were examined as performance outcomes. Students who used the HALC ‘Very Frequently’ (370.83 ± 21.476) reported statistically significantly higher scores on the Learning Resources subscale of the CEQ than students who only used it ‘Occasionally’ (260.53 ± 23.865, p = 0.03). Furthermore, students who ‘Very Frequently’ (47.92 ± 32.061) used the HALC reported statistically significantly higher scores on the Appropriate Workload subscale of the CEQ than students who ‘Never” used it (−126.92 ± 34.722, p = 0.003). Multiple linear regression (MLR) analyses found no significant correlation between HALC usage frequency and contextual learning approaches when student demographic data, preferred learning approaches, GPA, and CEQ subscale scores were included as covariates ( p > 0.05). Further MLR analysis revealed that HALC usage frequency was a statistically significant predictor of laboratory test performance when controlling for GPA, and contextual learning approaches ( β = 1.585 ± 0.678, p = 0.021). Together these data suggest that students who reported more frequent use of the HALC had: higher satisfaction with the courses learning resources, a stronger ability to cope with the amount of work that was expected of them throughout the course and, better preparation for laboratory‐based examinations. While the HALC was not found to influence the students' approach to learning in human anatomy, this study demonstrates the potential for curriculum‐targeted, dissection‐based resources that use real cadaveric images to improve laboratory‐based performance outcomes and student satisfaction in dissection‐based undergraduate human anatomy courses. This abstract is from the Experimental Biology 2018 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,282
Score d'incertitude au seuil0,474

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,262
Écart entre enseignants0,258 · 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 tête enseignante, 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

Citations1
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe FASEB JournalMême sujetAnatomy and Medical TechnologyTravaux en français237 207