Relationships between Admissions Requirements and Pre-clinical and Clinical Performance in a Distributed Veterinary Curriculum
Notice bibliographique
Résumé
The purpose of this study was twofold: first, to assess the relationships between knowledge-based admission requirements and pre-clinical and clinical performance in a distributed model of veterinary education that uses problem-based learning as the main instruction method in the first two years of the curriculum; second, to compare pre-clinical and clinical performance with performance on the Program for the Assessment of Veterinary Education Equivalence (PAVE) exam. Admissions data including overall GPA, prerequisite GPA, Graduate Record Examination (GRE) score on the Analytical, Analytical Writing, Quantitative, and Verbal sections), veterinary school performance data (GPA for pre-clinical and clinical years), and performance PAVE (taken at the end of second year) were analyzed for two classes (N = 155, 85.8% women and 14.2% men). Overall GPA, prerequisite GPA, and GRE Quantitative and Analytical scores were the best predictors for pre-clinical (years 1 and 2) performance (R = 0.49, 23.5% of the variance), GRE Analytical score was the best predictor for year 3 (pre-clinical and clinical) performance (R = 0.25, 6.3% of the variance), GRE Quantitative score was the best predictor for PAVE performance (R = 0.27, 7.5% of the variance), and GRE Analytical score was the best predictor for clinical performance (year 4; R = 0.21, 4.4% of the variance). PAVE scores correlated with GRE Quantitative scores (r = 0.27, p <.01) and veterinary school performance, with higher correlations in the pre-clinical years (rs = 0.67-0.36, p < .01), providing evidence of convergent validity for the PAVE exam.
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 | 0,003 | 0,025 |
| 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) | 0,001 | 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 ».