Engagement and cognitive load of upper‐year medical trainees during mixed reality–enhanced dissection
Notice bibliographique
Résumé
Mixed reality (MR) offers a way to visualize and manipulate complex digital objects in three dimensions, which is particularly beneficial for human anatomy. However, implementing MR effectively requires a deep understanding of its effects on cognitive processes. The purpose of this study was to evaluate cognitive markers of students' engagement and cognitive load while they used MR technology to overlay donor-specific diagnostic imaging onto the corresponding body donors in a fourth-year medical elective course. During two separate dissection sessions, each participant (n = 12) used the imaging on (1) a head-mounted Microsoft HoloLens and (2) an Apple iPad to examine the underlying anatomy of their body donor before beginning dissection. During each activity, participants wore portable five-lead electroencephalographic (EEG) devices to collect cognitive processing data. Separate indexes were calculated from those data to quantify engagement (engagement index; EI) and cognitive load (theta-alpha ratio; TAR), which were compared between HoloLens and iPad usage. Mean EI calculated from EEG data collected while using the HoloLens (0.499 ± 0.038) was significantly higher than the mean EI while using an iPad (0.297 ± 0.037; p = 0.002). Conversely, the mean TAR calculated from EEG data collected while using the HoloLens (1.508 ± 0.047) was significantly lower than that collected while using an iPad (1.813 ± 0.071; p = 0.012). These results indicate that the use of HoloLens to superimpose radiographic images onto a human body donor during dissection is significantly more engaging and requires less cognitive effort than the same task on an iPad.
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 | 0,001 |
| 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) | 0,000 | 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 ».