Addressing educational overload with generative AI through dual coding and cognitive load theories
Notice bibliographique
Résumé
WHAT WAS THE EDUCATION CHALLENGE?: Health professions education faces a critical challenge: the volume and complexity of medical knowledge has outpaced the cognitive limits of learners. Cognitive load theory indicates that traditional text-heavy instruction overloads the working memory. Current educational materials fail to leverage the dual coding theory which proposes that content should be presented through both verbal and visual channels. WHAT WAS THE SOLUTION AND HOW WAS IT IMPLEMENTED?: Generative AI tools enable the creation of multimodal educational content. Platforms such as ChatGPT, Gemini, NotebookLM, and HeyGen enable the creation of multimodal educational content - audio summaries, interactive mind maps, infographics, narrated videos, and voice-based interactions - designed to improve information processing in the working memory. Multimodal AI-generated content potentially enhances comprehension, retention and learning efficiency, and provides scalable, easily updated resources. These tools align with Generation Z learning preferences and can be integrated into existing curricula to transform text heavy content into multimodal engaging content. These tools can be used by faculty and learners,with minimal technical expertise or time investment. WHAT LESSONS WERE LEARNED AND WHAT ARE THE NEXT STEPS?: To ensure success, institutions must provide faculty and learners training, with consistent access, and evaluate outcomes. Pilot programs with iterative feedback can guide thoughtful implementation. By aligning educational strategies with cognitive science principles, generative AI can play a transformative role in addressing educational overload and creating more effective, engaging learning environments.
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 | 0,000 | 0,002 |
| 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) | 0,002 | 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 ».