Comment améliorer la réussite à l’examen d’anatomie en 1 année de bachelier en médecine ? Étude de l’impact d’une activité intégrée dans un dispositif hybride de formation
Bibliographic record
Abstract
L’anatomie de 1re année de bachelier (BAC 1) en médecine est dispensée grâce à un dispositif hybride de formation. L’évaluation se compose de trois types de QCM, dont le QCM 2 qui recourt à des exercices d’analyse de coupes anatomiques représentées dans différents plans de l’espace. Nous avons évalué si la mise en ligne d’exercices entraînant à l’analyse de coupes est valorisée par les étudiants et favorise la réussite du QCM 2. Afin de contextualiser nos recherches, nous nous sommes interrogés sur la perception de la cohérence entre les objectifs, les méthodes et l’évaluation de l’ensemble de notre dispositif. Ensuite, cette perception a été mise en lien avec le score global de l’examen. Le QCM 2 est significativement meilleur pour les étudiants ayant pratiqué les nouveaux exercices en ligne et pour les étudiants ayant perçu la valeur de cette activité. La perception de la cohérence entre les objectifs, les méthodes et l’évaluation n’est, quant à elle, pas associée au score global. Le nouveau scénario d’apprentissage proposé enrichit favorablement l’environnement d’apprentissage des étudiants. Il a le mérite de pouvoir s’adapter aux grands groupes, d’être accessible en tout temps, de travailler des objectifs précis, d’être en lien direct avec l’évaluation certificative du cours (QCM 2) et de développer une compétence en relation avec leur profession future.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.013 | 0.037 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".