Gamified Learning in a Virtual World for Undergraduate Emergency Radiology Education: Quasi-Experimental Study
Notice bibliographique
Résumé
Background: Emergency radiology is essential for future doctors, who will face urgent cases requiring radiologic diagnosis. Using virtual simulations, gamified clinical scenarios, and case-based learning enhances practical understanding, develops technical and communication skills, and fosters educational innovation. Objective: This study aimed to assess the feasibility of learning emergency radiology in the virtual world Second Life (Linden Lab) through a gamified experience by evaluating team performance in clinical case resolution, individual performance on seminar assessments, and students' perceptions of the activity. Methods: Teams of 3-4 final-year medical students, during a 2-week radiology clerkship, had access to 7 clinical cases in virtual clinical stations and were randomly assigned 2 to solve and submit. They later discussed the cases in a synchronous virtual meeting and attended an emergency radiology seminar. The experience was repeated over 2 consecutive years to assess reproducibility through comparison of learning outcomes and students' perceptions. Learning outcomes were evaluated through team-based case resolution and individual seminar assessments. Students' perceptions were gathered via a voluntary questionnaire including 5-point Likert scale items, cognitive load ratings, 10-point evaluations, and open-ended comments. Results: In total, 182 students participated in 2020-2021 and 170 in 2021-2022, demonstrating strong team-based case resolution skills with mean scores of 7.36 (SD 1.35) and 8.41 (SD 0.99), respectively (P<.001). The perception questionnaire had a 90.6% response rate. The highest cognitive load was observed in avatar editing (median 7, 95% CI 6.56-6.96). Case-solving cognitive load was significantly lower in 2021-2022 compared with 2020-2021 (median 6, 95% CI 5.69-6.21 vs 5.10-5.66; P<.001). The students rated the experience highly, with average scores exceeding 8.0 out of 10 across various aspects. Notably, the highest-rated aspects were the teaching staff (9.13, SD 1.15), cases (8.60, SD 1.31), project organization (8.42, SD 1.67), and virtual rooms (8.36, SD 1.62). The lowest-rated aspect was internet connectivity (6.68, SD 2.53). Despite the positive scores, all aspects were rated significantly lower in 2021-2022 compared with 2020-2021. These year-to-year comparisons in performance and perception support the reproducibility of the experience. Conclusions: This study demonstrates that a game-based learning experience in the Second Life virtual world, combining virtual clinical scenarios and team-based tasks, is feasible and reproducible within a radiology clerkship. Students showed strong performance in case resolution and rated the experience highly, within a playful context that integrated asynchronous and synchronous activities. Lower ratings in the second year may reflect contextual differences, such as changes in COVID-19 pandemic restrictions.
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 | 0,011 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».