Online Case-Based Course in Veterinary Radiographic Interpretation Generates Better Short- and Long-Term Learning Outcomes than a Virtual Lecture-Based Course
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
Accurate interpretation of radiographs is necessary for the correct diagnosis and treatment of patients. Research has shown that active learning methods, including case-based learning, are superior to passive learning methods, such as lectures. Short-term learning outcomes were compared between two groups by enrolling 80 fourth-semester veterinary students in either an online case-based radiology course ( n = 40) or a virtual lecture-based course ( n = 40). Long-term learning outcomes were compared among three groups: one group completed case-based instruction in the fourth semester, followed by lecture-based instruction in the fourth semester ( n = 19); the second group completed only lecture-based instruction in the fourth semester ( n = 22), and the third group completed lecture-based instruction in the fourth semester, followed by case-based instruction in the fifth semester ( n = 9). Learning was assessed using a multiple-choice examination and two independently written small animal radiograph reports. In the fourth semester, students completing the case-based course had higher examination scores and radiograph report scores than students who took the lecture-based course. Students completing the lecture-based course in the fourth semester and the case-based course in the fifth semester wrote better radiograph reports than students who completed both courses in the fourth semester; both groups wrote better reports than students who did not take the case-based course. A case-based diagnostic imaging course may be better than a lecture-based course for both short- and long-term retention of knowledge; however, there is a significant loss of knowledge following an instructional gap, and spaced refreshers may boost retention.
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 | 0,003 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle