Integrated Case-Based Applied Pathology (ICAP): A Diagnostic-Approach Model for the Learning and Teaching of Veterinary Pathology
Notice bibliographique
Résumé
Integrative Case-Based Applied Pathology (ICAP) cases form one component of learning and understanding the role of pathology in the veterinary diagnostic process at the Faculty of Veterinary Science, University of Sydney. It is a strategy that focuses on student-centered learning in a problem-solving context in the year 3 curriculum. Learning exercises use real case material and are primarily delivered online, providing flexibility for students with differing learning needs, who are supported by online, peer, and tutor support. The strategy relies heavily on the integration of pre-clinical and para-clinical information with the introduction of clinical material for the purposes of a logical three-level, problem-oriented approach to the diagnosis of disease. The focus is on logical diagnostic problem solving, primarily using gross pathology and histopathological material, with the inclusion of microbiological, parasitological, and clinical pathological data. The ICAP approach is linked to and congruent with the problem-oriented approach adopted in veterinary medicine and the case-based format used by one of the authors (PJC) for the teaching and learning of veterinary clinical pathology in year 4. Additionally, final-year students have the opportunity, during a diagnostic pathology rotation, to assist in the development and refinement of further ICAPs, which reinforces the importance of pathology in the veterinary diagnostic process. Evidence of the impact of the ICAP approach, based primarily on student surveys and staff peer feedback collected over five years, shows that discipline-specific learning, vertical and horizontal integration, alignment of learning outcomes and assessment, and both veterinary and generic graduate attributes were enhanced. Areas for improvement were identified in the approach, most specifically related to assistance in the development of generic teamwork skills.
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 | 0,011 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».