Interactive Virtual Reality with Educational Feedback Loops to Train and Assess Veterinary Students on the Use of Anesthetic Machine
Notice bibliographique
Résumé
The study objective was to assess acceptability, feasibility, likeability, and applicability of interactive virtual reality with feedback loops (VR) to teach and assess veterinary anesthesia machine operation. Data from 60 students were analyzed. Students learned and trained how to use the anesthesia machine components and connections and performed safety checks (such as the pressure check) using real and VR machines. Competency was assessed with oral/practical and VR exams. A questionnaire survey gathered student affective skill perception toward VR for education. Students perceived VR for veterinary education as positive, useful, likeable, and helpful to learn the anesthesia machine. VR appeared to increase cognitive load, inducing lower VR exam scores of 100 (92.4–97.9) when compared to oral/practical exams of 100 (98–99.8) with p = .018. Training times with either real or VR anesthesia machines were similar ( p = .71). A positive correlation was found between VR training times and VR exam scores (Spearman's correlation coefficient 0.5; p < .001). No correlations were identified between oral/practical exam scores and training times. Seventy two percent of the students ( n = 43) had never used VR before. Prior VR experience was not necessary to train using VR. Computer glitches and cybersickness are important drawbacks to consider when using VR for education. The study demonstrated that interactive, immersive VR received favorable reactions from students. The VR incorporated educational feedback loops can be utilized as a simulation trainer for veterinary education. However, inherent limitations should be considered.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».