Novel application of gamification to support undergraduate anatomy: Student perceptions and performance
Notice bibliographique
Résumé
Anatomy is a foundational component of various medical and paramedical disciplines. Existing research has suggested that games or game elements can improve student interest in musculoskeletal (MSK) anatomy. This project builds on previous gamification and serious game work and incorporates new anatomy-based games into undergraduate anatomy education. Challenging structures and areas of difficulty were identified using previous years' exams. This informed the content and design of the games in this study: a modified Guess Who? and a group-based labeling exercise. Both were provided in optional study sessions available to students in an introductory undergraduate anatomy and physiology course. The data collected includes pre- and post-session questionnaires, labeling times, and midterm exam performance. Few participants reported previously incorporating games into their own MSK anatomy study time, but the majority believed that anatomy-specific games would positively improve their confidence, engagement, and motivation in the course (LIKERT scores all >4.5/5). The games improved students' self-perceived confidence (92% somewhat or strongly agree) and anatomy knowledge (100% somewhat or strongly agree), and provided opportunity for peer collaboration that is often missing in large undergraduate anatomy classes. There were, however, inconsistent effects in exam performance seen across different sections of the course (in-person vs virtual). These findings suggest that the benefits of educational games may depend on contextual factors that require further exploration. Future studies should also explore extending this approach to other challenging topics identified by students.
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 | 0,000 |
| 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 | 0,000 | 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 ».