On the Design and Delivery of Human Anatomy Courses in Canadian Kinesiology Programs
Notice bibliographique
Résumé
Human anatomy is a key subject area within undergraduate kinesiology programs. However, literature detailing the course structures, available resources, and teaching approaches used to deliver anatomy education in kinesiology programs is lacking. The present study sought to address this deficit by surveying instructors in Canadian university and college kinesiology programs regarding the anatomy courses they offer. The median (IQR) reported enrollment across 48 courses (40% response rate) was 165 (155) students and the mean (±SD) student/instructor ratio was 20:1 (±9) for the laboratory/tutorial sessions. Systemic or regional approaches to teaching were utilized in 39.6% of courses each, while 20.8% used both. Weekly contact times for in-person lectures and laboratories were 2.7 (±0.5) hours and 1.9 (±0.8) hours, respectively. Written assessments accounted for 64% (±20) of students' final grades, while practical tests accounted for 29% (±18). Joints and the skeletal, muscular, and nervous systems were the most covered units (>85% of courses). The most common resources available to students were atlases, plastic models, skeletons, and interactive software; human cadaver dissection was used in 7% of courses. Primary instructors for 95.5% of courses were permanent faculty/staff, but student assistants were utilized in half the courses, mostly for marking and laboratory activities. Overall, these results add considerably to the literature from allied health disciplines and fill a deficit in studies on the teaching methods and resources used for human anatomy education within Canadian undergraduate kinesiology programs. Accordingly, these findings may be used to inform curriculum design and best practices in anatomy course delivery.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».