ANATOMY EDUCATION AND VIRTUAL REALITY
Notice bibliographique
Résumé
Institutions are looking to find the best learning technologies to deliver anatomy curricula to diverse student populations, often working with financial and time-based constraints. Visualization techniques, particularly the widespread use of virtual reality headsets, have made once-impossible learning experiences possible. This thesis explores the effect of different learning modalities (virtual reality headset, computer screen, and 3D-printed models) and environments (clinical context or context-free) on knowledge acquisition and learning experiences for a pelvic floor anatomy module. We investigated how these factors, along with mental rotation ability and stereoacuity, impact various aspects of learning, including performance on anatomy tests, perceived workload (measured using the NASA Task Load Index), cybersickness (measured using the Simulator Sickness Questionnaire), and engagement during learning (measured using the User Engagement Scale). Significant interactions were found between modality and environment for test scores and workload, a significant main effect of modality and environment for cybersickness, and a significant main effect of modality for engagement. Importantly, though significant differences were found between modalities and environments, participants reported concerningly high levels of workload and cybersickness across all conditions. High levels of engagement were also reported across all learning conditions. The lack of meaningful differences between intervention groups emphasizes the importance of curricular design over the implementation of new technologies and the need to be critical of the impression that a one-size-fits-all solution exists. Theories of cognitive load, constructivism, syncretion, visuospatial ability, cybersickness, and embodied learning in the context of technology-enhanced anatomy education are discussed as the foundation upon which design decisions should be made. A multi-faceted approach focused on aligning learning objectives with learning activities is outlined as a means of driving more impactful research and improving anatomy 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 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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».