Teaching teen titans: An anatomy curriculum using superheroes for middle‐ and high school students in health professions outreach programs
Notice bibliographique
Résumé
Health professions outreach programs are important avenues to increase interest in the fields of science, technology, engineering, and mathematics (STEM). One aspect of many of these programs is anatomy, which can be challenging to teach due to its scope. Creative teaching methods, such as the incorporation of examples from pop culture, can help students better access complex scientific concepts. This study aimed to assess the utility of a superhero-based anatomy curriculum as part of summer outreach programs at Rutgers New Jersey Medical School (NJMS). Students completed pre- and post-session surveys about their interest in the fields of STEM, their background knowledge of superheroes, and their thoughts on the effectiveness of using superheroes to learn anatomy. Prior to participating in the curriculum, most students were interested or very interested in the fields of STEM (72.4%). After the curriculum, most students (79.3%) reported that their interest expanded. Almost all students reported that the use of superheroes was beneficial to their learning experience (91.4%) and was preferred over traditional teaching methods (87.9%), despite not necessarily having existing background knowledge or interests in superheroes. Finally, some students felt that seeing the diverse identities of different superhero characters improved their ability to relate to the material. In conclusion, students felt that a superhero-based anatomy curriculum improved their interest in the fields of STEM and their learning experience. This suggests that creative teaching methods can effectively augment the existing mission of health professions outreach programs for a diverse group of students.
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 | 0,000 |
| 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) | 0,000 | 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 ».