MétaCan
Menu
Retour à la cohorte

Positive Impact of an Interactive 3D Neuroanatomy E‐learning Resource on Students' Spatial Neuroanatomical Knowledge

2018· article· en· W3176056276 sur OpenAlexafffund
Lauren Allen, Trinette Wright, Roy Eagleson, Sandrine de Ribaupierre

Notice bibliographique

RevueThe FASEB Journal · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAnatomy and Medical Technology
Établissements canadiensWestern University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésNeuroanatomyResource (disambiguation)CurriculumVirtual microscopyVirtual realityComputer sciencePsychologyHuman–computer interactionMedicineNeurosciencePathologyPedagogy

Résumé

récupéré en direct d'OpenAlex

Neuroanatomy is one of the most challenging topics in anatomy for many novice students, who report it to be the most difficult subject in their anatomy curriculum. A primary reason for the perceived difficulties is the high degree of spatial complexity that exists between structures. The development of interactive three‐dimensional (3D) models in neuroanatomy curricula may provide an effective solution for alleviating difficulties students encountered with two‐dimensional (2D) learning resources, however this has yet to be fully examined in the literature. Interactive 3D and 2D e‐learning resources, as well as a novel virtual syncretion assessment tool, were developed to complement undergraduate anatomy instruction. The virtual syncretion assessment required participants to place neuroanatomical structures in a partial 3D neuroanatomical model. This assessment format allowed for the evaluation of spatial knowledge based on the accuracy of the 3D placement of structures rather than conventional nominal responses. Performance on the virtual syncretion assessment was measured by both the selection of correct structures, and the accuracy of the placement of structures within the partial 3D neuroanatomical model. One hundred seventy‐three participants completed the study, which utilized a cross‐over design to separate participants into two groups. Each group initially completed an anatomy knowledge pretest, followed by access to either the 3D or 2D neuroanatomy e‐learning resource. Participants completed both an anatomy knowledge quiz and virtual syncretion assessment prior to utilizing the second learning resource. A second anatomy knowledge quiz and virtual syncretion assessment were administered following participants' exposure to the second e‐learning resource. Anatomy knowledge quiz scores of participants who initially accessed the 3D learning resource increased significantly more than the students who initially accessed the 2D e‐learning module. Participants who initially utilized the 3D e‐learning resource performed significantly better on the digital syncretion assessment than participants who initially utilized the 2D e‐learning resource. Additionally, participants who accessed the 3D e‐learning resource subsequent to the 2D e‐learning resource significantly improved their performance on the final virtual syncretion assessment. No significant improvement in performance was observed for participants who accessed the 2D e‐learning resource subsequent to the 3D e‐learning resource. Results of this study could be used to inform the effective development and deployment of interactive 3D e‐learning resources to improve neuroanatomy instruction and assessment. Support or Funding Information Social Sciences and Humanities Research Council 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: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,929
Score d'incertitude au seuil0,651

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 ouverte0,0010,000
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 Opus0,007
Tête enseignante GPT0,285
Écart entre enseignants0,279 · 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'étudeAutre devis
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

Citations2
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe FASEB JournalMême sujetAnatomy and Medical TechnologyTravaux en français237 207