The impacts of augmented reality teaching tools in health professional education.
Notice bibliographique
Résumé
Objective: Augmented reality (AR) has successfully facilitated clinical training in health professional education. This technology can also accelerate non-clinical classroom education by improving students' spatial understanding and mental rotation skills, essential for many health professional education programs, including dental hygiene. However, this use has been relatively less explored and evaluated. This review investigates the effectiveness of AR-based tools in non-clinical didactic teaching. Methods: A literature search was conducted in 3 databases using the search terms "augmented reality," "classroom teaching," and "health professional education." Articles were screened first by the title and then by full-text review to identify reports that met the inclusion criteria and were relevant to the research questions. Results: Nineteen articles were included in the narrative review. AR Magic Mirror and ARBOOK were found to be the 2 most-used AR tools in didactic teaching. AR-based teaching tools can reduce cognitive loads and improve knowledge acquisition, spatial understanding, mental rotation skills, attention, motivation, confidence, and satisfaction. Discussion: AR tools can significantly improve students' learning experiences compared to traditional teaching methods in health professional education. As most AR-based teaching tools are focused on teaching anatomy, many health professional education programs can benefit from these tools. However, qualitative exploration of student and faculty perspectives and development costs are absent from the literature. Conclusion: Didactic learning of basic science concepts such as anatomy is essential to many health professional education programs, including dental hygiene. Dental hygiene can largely benefit from incorporating AR-based teaching tools into classroom education.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».