Implementing Augmented Reality to Facilitate the Learning of Oral Histology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: The study of biological materials under a microscope is known as histology, which is one of the most challenging subjects for students. Our objective was to develop a learning tool that can reduce the extrinsic load of studying histology and make learning enjoyable and flexible. We used augmented reality (AR) to create a cellphone application called Dental AR. With Dental AR, students can use their cellphones as dynamic flashcards to hide or reveal the annotations of a histology slide. Our application enables students to study, practice, and self-test oral histology knowledge at their own pace. METHODS: We used Unity3D with Vuforia to develop Dental AR. To generate a set of target images, oral histology glass slides were scanned and converted to digital images. Annotated versions of the slides were used as output for the corresponding target images. To understand user experiences and satisfaction with Dental AR, first-year dentistry students were invited to complete an online survey. RESULTS: Dental AR was successfully developed and released on both the Apple and Google Play online app stores. The survey of dentistry students indicated overall satisfaction with Dental AR and willingness to use similar applications in other subjects. CONCLUSIONS: Dental AR can be used for in-class activities, gamification, and providing students with practice questions to study and self-test outside the classroom. This application can be expanded in the future to incorporate more target images, videos, and interactive components to make learning histology less challenging and more enjoyable.
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.
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 | 0,010 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle