Can Online Conference Systems Improve Veterinary Education? A Study about the Capability of Online Conferencing and its Acceptance
Notice bibliographique
Résumé
In veterinary medicine, there is an ongoing need for students, educators, and veterinarians to exchange the latest knowledge in their respective fields and to learn about unusual cases, emerging diseases, and treatment. Networking among veterinary faculties is developing rapidly, but conferences and meetings can be difficult to attend because of time limitations and travel costs. The current study examines acceptance of synchronous online conferences, seminars, meetings, and lectures by veterinarians and students. First, an online survey on the use of communication technology in veterinary medicine was made available for 15 weeks to every German-speaking veterinary university and via professional journals and an online veterinary forum. A total of 1,776 persons (620 veterinarians and 1,156 students) participated. Most reported using the Internet at least once per day; more than half reported using instant messengers. Most participants used the Internet for communication, but less than half used Skype. Second, to test the spectrum of tools for online conferences, a variety of "virtual classroom" systems (netucate systems iLinc, Adobe Acrobat Connect Pro, Cisco WebEx, Skype) were used to deliver student lectures, veterinary continuing-education courses, and academic conferences at the University of Veterinary Medicine, Hannover (TiHo). Of 591 participants in 63 online events, 99.4% rated the virtual events as enjoyable, 96.1% found them useful, and 92.4% said that they learned a lot. Participants noted that the courses were not tied to a certain place, and thus saved time and travel costs. Online conference systems thus offer new opportunities to provide information in veterinary medicine.
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 | 0,003 |
| 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 | 0,001 |
| 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 ».