Evaluating the knowledge acquisition of lower limb anatomy among medical students during the post‐acute COVID‐19 era
Notice bibliographique
Résumé
Anatomy is the foundation of many medical and surgical specialties yet knowledge acquisition and retention among medical students is questionable. Over the years the anatomy teaching environment and teaching modalities have changed, even more so with the onset of the COVID-19 pandemic and the shift to a virtual environment. The aim of this study was to evaluate the knowledge acquisition of applied musculoskeletal lower limb clinical anatomy among first year medical students in Malta following the transition back to face-to-face lectures. The Kahoot online game-based quiz platform was used through a best out of four multiple-choice setting across four sessions. Scores generated by the platform along with frequencies of correctly answered questions were utilized to measure knowledge acquisition. The average scores for each question across sessions were statistically analyzed using ANOVA and student's t-test accordingly. Across the four sessions, the positive percentage response for clinical based questions remained higher than for pure anatomy questions. Anatomy knowledge acquisition appears to be subjective to clinical based knowledge rather than pure anatomy. There may be a plethora of reasons as to this outcome including the misconception that anatomy is not essential for clinical practice as well as the potential aftermath of the COVID-induced virtual learning environment. Further research is merit to ensure that students are provided with the best tools to enhance their knowledge acquisition, both as students and as future doctors.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».