MétaCan
Menu
Retour à la cohorte
Enregistrement W3217474335 · doi:10.1002/ase.2157

Evaluating the integration of body donor imaging into anatomical dissection using augmented reality

2021· article· en· W3217474335 sur OpenAlexaff
Kimberly McBain, Liang Chen, Angela Lee, Jeremy O’Brien, Nicole M. Ventura, Geoffroy Noël

Notice bibliographique

RevueAnatomical Sciences Education · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueAnatomy and Medical Technology
Établissements canadiensMcGill University Health CentreMcGill University
Organismes subventionnairesnon disponible
Mots-clésDissection (medical)Test (biology)CurriculumAugmented realityPsychologyMedical educationEducational measurementMedicineMedical physicsComputer scienceRadiologyHuman–computer interactionPedagogy

Résumé

récupéré en direct d'OpenAlex

Augmented reality (AR) has recently been utilized as an integrative teaching tool in medical curricula given its ability to view virtual objects while interacting with the physical environment. The evidence for AR in medical training, however, is limited. For this reason, the purpose of this mixed method study was to evaluate the implementation of overlaying donor-specific diagnostic imaging (DSDI) onto corresponding body donors in a fourth-year, dissection-based, medical elective course entitled anatomy for surgeons (AFS). Students registered in AFS course were separated into groups, receiving either DSDI displayed on Microsoft HoloLens AR head-mounted display (n = 12) or DSDI displayed on iPad (n = 15). To test for the change in spatial ability, students completed an anatomical mental rotation test (AMRT) prior to and following the AFS course. Students also participated in a focus group discussion and completed a survey at the end of AFS, analyzed through thematic triangulation and an unpaired, Mann Whitney U test respectively, both addressing dissection experience, DSDI relevancy to dissection, and use of AR in anatomical education. Although statistically significant differences were not found when comparing student group AMRT scores, survey and discussion data suggest that the HoloLens had improved the students' understanding of, and their spatial orientation of, anatomical relationships. Trunk dissection quality grades were significantly higher with students using the HoloLens. Although students mentioned difficulties with HoloLens software, with faculty assistance, training, and enhanced software development, there is potential for this AR tool to contribute to improved dissection quality and an immersive learning experience.

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)0,005
score de la tête « metaresearch » (Gemma)0,013
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,013
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 savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,041
Tête enseignante GPT0,397
Écart entre enseignants0,356 · 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

Citations17
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnatomical Sciences EducationMême sujetAnatomy and Medical TechnologyTravaux en français237 207