Photogrammetry: Adding Another Dimension to Virtual Gross Pathology Teaching
Notice bibliographique
Résumé
Pathology is a discipline that relies on the description and interpretation of changes occurring in organs and tissues, and it is largely a "hands-on" experience, both during training and professional practice. Instigated by the need to provide a solution for online learning and teaching, a plethora of different approaches have been tested during the Covid-19 pandemic. The enforced inability to meet in person created the necessity to quickly replace the hands-on experience of practical classes, routinely considered the "gold standard" in undergraduate pathology teaching, with alternative and innovative digital solutions that could allow the students to appreciate most, if not all, features of the specimen to describe and interpret. Here we present a successful deployment of photogrammetry for the purpose of teaching gross veterinary pathology to undergraduate students. Fresh specimens obtained during routine diagnostic post-mortem activity have been photographed using Digital Single-Lens Reflex cameras and rendered into high quality 3D models, preserving almost unaltered morphology, color, and texture, when compared to the original specimen. Once processed using photogrammetry software, exported and uploaded into an online repository, 3D models become readily available via our digital learning platform (CANVAS) to all undergraduate students for self-study and consolidation, as well as to teaching staff for use during online lectures, traditional face-to-face classes, small group teaching and seminars. Preliminary data collected from students' feedback highlighted the positive reception from users, and the enriched learning experience, while prolonging indefinitely the availability of rare and perishable teaching material.
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) | 0,000 | 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 ».