Bringing Radiology Education to a New Reality: A Pilot Study of Using Virtual Reality as a Remote Educational Tool
Notice bibliographique
Résumé
Purpose: We investigated virtual reality (VR) during a 2-week, undergraduate, radiology elective to determine if it improved learning outcomes and user satisfaction. Methods: Eighteen students enrolled between August 2021 and February 2022. Each student had a collaborative Zoom teaching session with a preceptor using a Picture Archive and Communications System (PACS)-like viewing system Online DICOM Image Navigator (ODIN), followed by a teaching session using a VR, Digital Imaging and Communications in Medicine (DICOM) viewer (SieVRt). After each teaching session, the students independently reviewed 8 imaging cases and completed case related questions. The students completed a survey, rating their subjective experiences using ODIN and SieVRt. Results: There was no difference in total test scores between the two learning strategies. However, students did perform statistically better on two of five questions designed to test the detection/measurement capabilities of SieVRt vs ODIN. Students stated that they preferred using SieVRt over ODIN and agreed that they were able to view subtle imaging findings and abnormalities better using SieVRt. However, students found that some of the functions of SieVRt (measuring angles/lengths, and multitasking) were difficult. There were technical challenges with VR and minor undesirable physical effects (dizziness, nausea, etc.). Conclusions: Virtual reality has the potential to enhance radiology education by providing an immersive and engaging experience. Objectively, students were able to perform two tasks better with SieVRt. Subjectively, the VR platform received favourable reviews from students for a variety of features. There were reported technical and physical challenges related to using VR. Future developments in VR systems should focus on improving the user 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 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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».