Novel Method to Manage Student Questions in the Anatomy Laboratory Using a Virtual Meeting Platform
Notice bibliographique
Résumé
Large class sizes and often few instructors in anatomy courses make it challenging for student laboratory groups to have their questions addressed in a timely manner. Instructors are often unaware of the number of requests for assistance, as well as the order in which assistance is requested, and students often spend a long time waiting for an instructor to become available. As a result of brainstorming with some of our students, a call button system of sorts was suggested. Instructors in consultation with the college's IT department came up with the idea of using Zoom Meetings question and answer (Q&A) feature to manage student questions. Zoom allows one to broadcast a Zoom Meeting to up to 50,000 participant attendees, and instructors, logged in as panelists (on a mobile device, e.g., iPad), can interact with the student attendees via the Q&A feature. The students join the webinar using their dissection table number as their ID and request assistance in the Q&A. These requests show up with a time stamp and are automatically queued on the panelist's Q&A window. Instructors employ the type answer feature to acknowledge the question by typing in their respective initials, which can be seen live by the other instructors (panelists). This allows student questions to be queued so that the instructors can address them in a timely, first-in/first-out order. Student feedback regarding the use of this system for the Small Animal Anatomy course was positive.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».