Pre-Lab Videos as a Supplemental Teaching Tool in First-Year Veterinary Gross Anatomy
Notice bibliographique
Résumé
To adapt to an interactive generation of learners, video resources can provide information necessary for lab preparation, describe clinical correlations, and maximize dissection time. In this study, dissection summary videos with embedded quizzes were to be viewed by K-State first-year veterinary students prior to their canine anatomy lab sessions. Videos were created using an iPhone, edited via Camtasia editing software, and uploaded to the course Canvas page. Following the conclusion of the Fall 2022 semester, final course grade, practical exam scores (exam), pre-lab video (video) time interaction, pre-lab quiz (quiz) scores, and student perception data were analyzed. Positive, statistically significant correlations were found between number of videos viewed and certain exam scores, with the strongest correlation being for the lower quartile specifically. Significant correlations were also found between average exam score and total number of videos viewed throughout the semester, and final course grade and total time spent viewing all videos. Positive, statistically significant correlations were found between average quiz score and exam score. A thematic analysis of student comments revealed videos appeared to have been a beneficial part of the course, providing students with a valuable resource for preparation, study, and increased understanding and confidence. These findings indicate that providing videos as a supplemental resource is beneficial to veterinary student learning and well perceived. This study also suggests that video views can predict lower quartile student exam score. The correlations in this study are weak, but the statistical significance depicts a positive impact on student practical exam scores.
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 | 0,001 |
| 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 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 ».