Can Online Teaching of Radiographic Anatomy Replace Conventional On-Site Teaching? A Randomized Controlled Study
Notice bibliographique
Résumé
Different modalities such as lectures, dissections, 3D models, and online learning are used for teaching anatomy. To date, online learning has been considered a useful additional didactic tool. This study aimed to compare veterinary students’ performance in radiographic anatomy (radio-anatomy) after online or classroom-based teaching to assess the extent to which the two methods were interchangeable. Three strategies were compared in a cohort of 83 learners. Students were committed to online learning only, online learning with the use of specimen equine bones, or learning on conventional radiographs with specimen equine bones. At baseline (pre-test), scores from a mental rotation test and radio-anatomy knowledge test were similar between groups. After training (post-test), scores in mental rotation and radio-anatomy significantly increased by 6.7/40 units (95% CI: 5.2–8.2; p < .001) and 5.1/20 units (95% CI: 4.3–5.9; p < .001), respectively. There was no difference in scores for mental rotation and radio-anatomy knowledge between groups at post-test. Gender influenced the mental rotation, with men scoring significantly higher than women at pre-test ( M = 23.0, SD = 8.8 vs. M = 16.5, SD = 6.9; p = .001) and post-test ( M = 32.1, SD = 5.5 vs. M = 22.7, SD = 8.6; p < .001). However, radio-anatomy knowledge was not influenced by gender. These results suggest radio-anatomy teaching can be safely achieved with either conventional radiographs or online resources. This is of interest since, due to the COVID-19 outbreak, rapidly changing from on-site to online methods for teaching veterinary medical education proved necessary.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».