The Effect of Image Quality on Anatomy Learning
Notice bibliographique
Résumé
Illustrations are critical learning tools in anatomy education. However, evaluation of anatomy image quality is entirely subjective and images display an immense variance in complexity and clarity. The objective of the current study is to determine whether image quality impacts learnability of human anatomy . Undergraduate students with no previous anatomy and physiology background undergo a learning phase where they review two paper‐based instructional modules on independent anatomical material (human hand and eye). There are two versions of each module that vary in image quality, but contain identical text. One version contains low‐quality images the other high‐quality images. The high‐quality images had enhanced visual contrast, label clarity, colour‐coding and consistency in style and anatomical view across images. Immediately following the learning phase, participants are tested on their comprehension of the modules using either 2‐dimensional illustrations or anatomical specimens. Two delayed comprehension assessments are completed 24 and 48 hours later to determine long‐term learning outcomes. We predict higher comprehension scores when material is presented using high‐quality images on both immediate and delayed tests, and on both illustration‐based and specimen tests. Higher quality images will reduce any cognitive demands geared towards identifying and processing critical visual features and structures. As a result, more cognitive resources can be dedicated to consolidating presented information and integrating this new knowledge with pre‐existing information for stable, long‐term learning. This study will help guide medical illustrators to create educational material that maximizes learning.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».