Training Evidence-Based Veterinary Medicine by Collaborative Development of Critically Appraised Topics
Notice bibliographique
Résumé
In current veterinary education, skills such as retrieving, critically appraising, interpreting, and applying the results of published scientific studies are rarely taught. In this study, the authors tested the concept of team-based development of critically appraised topics (CATs) in training students in evidence-based veterinary medicine (EBVM). The 116 participants were in their fifth year and attending the clinical rotation at the Clinic for Animal Reproduction. Students developed 18 CATs of varying quality on topics of their choice. Preparing the CATs in teams stimulated discussion on the topic and the quality of the retrieved papers. Evaluation of the project revealed that more than 90% of the students endorsed training in critical appraisal of information in veterinary education. In addition, more than 90% considered the development of CATs an effective exercise for assessing the quality of scientific literature. A provided literature evaluation form was perceived as a useful tool for systematically summarizing a publication's quality. In conclusion, team-based development of CATs during clinical rotations is highly valuable for training in EBVM. Learning and intrinsic motivation seem to be enhanced by creating a situation similar to veterinary practice because the task is embedded into an authentic clinical problem. This approach to clinical training helps to prepare students to integrate evidence from literature into practice.
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 | 0,210 | 0,371 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,010 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».