A scoping review of teaching approaches and learning objectives for anatomical variation in gross anatomy courses across degree programs
Notice bibliographique
Résumé
Gross anatomy is often taught and assessed based on a "standard" view of the human body, limiting students' exposure to normal variation, creating a potential curricular gap in the training of future anatomists and health care professionals. This scoping review explores learning objectives and teaching approaches associated with anatomical variation in undergraduate, graduate, and professional courses. Six primary databases and gray literature sources were searched. Records that described either implicit or explicit approaches for teaching anatomical variation in gross anatomy courses at the undergraduate, graduate, or professional level were included. Source selection, data extraction, and analysis followed the JBI Manual for Evidence Synthesis. Human donor dissection was the most common approach for implicitly teaching anatomical variation (35.7%, 56/157). Only a few records (25.5%, 40/157) reported examples of explicit teaching approaches, such as student recordings of variation, exposure to multiple donors, and independent research. Reported learning objectives primarily involved awareness, appreciation, and knowledge of anatomical variation. Other learning objectives included the recognition of human diversity, professionalism, collaboration, knowledge through anatomical variation, and navigating anatomical variation. Objectives were mapped to Bloom's Taxonomy, showing that explicit approaches were associated with higher-order learning. This review highlights a gap in the literature regarding the explicit teaching of anatomical variation despite the benefits of explicit approaches for enabling higher-order levels of learning across multiple domains. Recognizing anatomical variation is essential for health care professionals, and this review suggests a need for intentional instructional strategies to better support students in navigating anatomical diversity in educational and clinical contexts.
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 | 0,030 | 0,163 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,031 | 0,029 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».