Effect of teaching tools in spatial understanding in health science education: a systematic review
Notice bibliographique
Résumé
Background: The concept of spatial orientation is integral to health education. Students studying to be healthcare professionals use their visual intelligence to develop 3D mental models from 2D images, like X-rays, MRI, and CT scans, which exerts a heavy cognitive load on them. Innovative teaching tools and technologies are being developed to improve students' learning experiences. However, the impact of these teaching modalities on spatial understanding is not often evaluated. This systematic review aims to investigate current literature to identify which teaching tools and techniques are intended to improve the 3D sense of students and how these tools impact learners' spatial understanding. Methods: The preferred reporting items for systematic reviews and meta-analysis (PRISMA) guidelines were followed for the systematic review. Four databases were searched with multiple search terms. The articles were screened based on inclusion and exclusion criteria and assessed for quality. Results: Nineteen articles were eligible for our systematic review. Teaching tools focused on improving spatial concepts can be grouped into five categories. The review findings reveal that the experimental groups have performed equally well or significantly better in tests and tasks with access to the teaching tool than the control groups. Conclusion: Our review investigated the current literature to identify and categorize teaching tools shown to improve spatial understanding in healthcare professionals. The teaching tools identified in our review showed improvement in measured, and perceived spatial intelligence. However, a wide variation exists among the teaching tools and assessment techniques. We also identified knowledge gaps and future research opportunities.
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 | 0,008 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».