Zoom in on learning with a virtual microscope: A convergent parallel mixed-method study
Notice bibliographique
Résumé
Knowledge of histology is essential for many disciplines in professional health education. Virtual Microscopes (VMs) are increasingly becoming popular as a cost-effective teaching tool for histology. However, a lack of hands-on experience with traditional light microscopes and glass slides concerns many educators. Although studies have reported improvement or no difference in students' knowledge and/or performance using either virtual or optical microscopes, reports on the impact of VMs on students' understanding of magnification and orientation are scarce. We conducted a convergent, parallel mixed-method study to assess dental students' understanding of magnification and orientation after using a virtual microscope to study oral histology. Six hours of mandatory lab sessions and critical thinking assignment questions were designed for the 1st year students in the Doctor of Dental Surgery (DDS) program. Quantitative data were collected from students' performance in orientation and magnification-related questions in the summative assessments. Students' written responses to reflective questions were the qualitative data, analyzed using manifest content analysis. All 32 students accurately answered 3 out of 5 questions, requiring them to apply the knowledge of magnification and orientation. 30 and 29 students correctly answered the remaining questions, respectively. 97% of the class agreed to improve their understanding of magnification and orientation after using the VM. All (100%) students (n = 32) completed the reflective assignment, generating 64 meaning units. 17 codes were generated and compiled into seven subcategories, which were further condensed into two categories: refinement of mental models and enhanced learning. Although our study is limited by a small sample size, it sheds light on the strategies adopted by dental students to improve their senses of magnification and orientation while using a VM.
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 | 0,039 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».