Use of Educational Puzzles for Learning Concepts of Clinical Diagnostic Imaging in Veterinary Medicine
Notice bibliographique
Résumé
Learning the concepts of clinical radiology, including lesion identification and formulation of differential diagnosis lists, can be challenging for veterinary students. A series of educational puzzles with an overarching narrative was developed to help students learn the fundamental concepts of urogenital, thoracic, and spine imaging. Third-year veterinary students had the opportunity to use as many of the puzzles as they wished as a part of their studies in a semester-long imaging course, and students completed surveys to indicate which puzzle sections they used and provide their opinions of the activities. Graded performance in the course was correlated with how many puzzle activities students used. A small but statistically significant correlation was found between the number of puzzle sections used and midterm exam score, final exam score, and overall course score. Although most students who used the puzzles as a part of their studies enjoyed the activities, there was a dramatic decrease in usage over the semester, from 74% of survey respondents using the initial topic to a low of 27% utilization of the sixth topic, followed by a small rebound to 37% for the eighth topic (the review for the final exam). Thus, while developing a puzzle series is achievable and beneficial to student learning, possibly because of improved student engagement through increased variety in learning opportunities, further steps are necessary to encourage continued student engagement throughout the semester.
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 | 0,003 | 0,034 |
| 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) | 0,001 | 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 ».