Teaching Biostatistics and Epidemiology in the Veterinary Curriculum: What Do Our Fellow Lecturers Expect?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Given veterinary students' varying mathematical knowledge and interest in statistics, teaching statistical concepts to them is often seen as a challenge. Consequently, there is an ongoing debate among lecturers about the best time to introduce the material into the curriculum, and the best thematic content and conceptual approach to teaching in basic biostatistics classes. During a workshop meeting of epidemiology and biostatistics lecturers of Austrian, German, and Swiss veterinary schools, the question was raised as to whether the topics taught in epidemiology and statistics classes are of sufficient relevance to our lecturing colleagues in other fields of veterinary education (i.e., whether our colleagues have certain expectations as to what the students should know about biostatistics before taking their classes). In 2012, an online survey was compiled and carried out at all eight German-speaking veterinary schools to address this issue. There were 266 respondents out of approximately 800 contacted lecturers from all schools and disciplines. Almost 50% responded that the basic biostatistics class should be taught early on (in the second or third year), while only 26% indicated that basic epidemiology should commence before the third year of the veterinary curriculum. There were clear differences in perceived relevance of the 44 epidemiological and biostatistical topics presented in the survey, assessed on a Likert scale from 0 (no relevance) to 4 (very high relevance). The results provide important information about how to revise the content of epidemiology and biostatistics classes, and the approach could also be used for other courses within the veterinary curriculum with a natural science focus.
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.
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 | 0,007 | 0,043 |
| 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 découle