Notice bibliographique
Résumé
In previous issues of the Journal of Veterinary Medical Education, wide-ranging insights on how to achieve excellence in the classroom have been framed by award-winning teachers. These recipes for educational success, however, invariably lack a key ingredient-the teacher's process of self-renewal. What skills and attitudes prime the teacher for continued high performance? To stay out of the ruts of expertise, where does the teacher turn? Teachers and administrators alike recognize its great importance, yet few opportunities for the renewal of teachers are built into the educational system. In this article, we challenge teachers to see their own self-renewal as an underutilized approach to innovate education. We propose a schema for sustained self-renewal: each educator developing her own personalized, hand-picked gallery of intellectual heroes who in turn serve as the educator's life-long teachers. To illustrate the value of this activity, we introduce our own collection of 10 gifted thinkers, providing a brief encounter with each sage as a way of stimulating new thinking on the skills and attitudes that promote personal growth and transformative teaching. We conclude that the veterinary profession should work to create better opportunities for the self-renewal of teachers. By envisioning even our best teachers as unfinished and under construction, we open up a new dialogue situating the self-renewal of teachers at the very core of educational excellence.
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 | 0,007 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,007 | 0,043 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».