Cadaveric Prosections Prepared by Qualified Instructional Staff Were More Efficient and Effective Teaching Modalities for Veterinary Gross Anatomy than In-Class Dissections by Students
Notice bibliographique
Résumé
Veterinary programs traditionally teach gross anatomy by having students perform regional dissections on animal cadavers. Dissection is effective but also costly, time consuming, and intimidating for students. These factors, along with reduced contact hours devoted to gross anatomy, warrant investigation of more time-efficient teaching modalities. We sought to determine whether learning anatomy from instructor-prosected cadavers is a suitable alternative to in-class cadaveric dissections. Veterinary students completed nine units of regional gross anatomy over three courses. For each unit, students were randomly assigned to study the region on instructor-prosected cadavers (i.e., prosection students, n = 25) or perform their own dissection of the region in small groups (i.e., dissection students, n = 25). Prosection students spent on average 18 minutes/week less ( p < .05) in class than dissection students. Despite comparable amounts of time spent studying outside of class each week, prosection students outperformed ( p < .05) dissection students on 56% of the practical unit exams and 44% of the overall unit exams, whereas dissection students outperformed ( p < .05) prosection students on only a single unit exam. Prosection students also performed better ( p < .05) on subsequent quizzes administered to assess knowledge retention. Survey responses indicated that students were more confident in the accuracy of prosections and valued the efficiency they provided. Although they found value in performing dissections and were generally satisfied with the knowledge they gained, many students reported feeling timid toward dissecting, which diminished the experience. Together, these findings demonstrate that expertly prosected cadavers were more time-efficient than in-class cadaveric dissections and were generally more effective for learning gross veterinary anatomy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».