Getting Started with Curriculum Mapping in a Veterinary Degree Program
Notice bibliographique
Résumé
The Royal (Dick) School of Veterinary Studies at the University of Edinburgh, UK, recently initiated a curriculum-mapping project to develop a tool that would facilitate curriculum review, improve integration and clarity across the curriculum, and provide a transparent method of demonstrating outcomes for quality-assurance purposes. The key finding from this project was that the curriculum-mapping process is a more resource-intensive undertaking than expected, and one that should not been taken lightly. At the time the project began, no commercial software was available that could be integrated with the program's other online systems or had content appropriate to an outcomes-based veterinary degree program. We recommend that future projects ensure a minimum of one dedicated full-time staff member, plus adequate educational technology support to develop a coherent and consistent format for the curriculum map that is integrated with the rest of the local online environment. Identifying the main focus of the map is also recommended at an early stage, as is the instigation of a small-scale pilot exercise to identify major local issues before starting the full mapping process. Future sustainability and development of a curriculum map also require buy-in from colleagues to ensure that relevant components of the map (e.g., learning objectives) are maintained and developed appropriately. This article is aimed at our colleagues who are considering starting a curriculum-mapping process at their institutions; we provide a brief overview of curriculum mapping, based on current literature, and then illustrate the process using our own experiences.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».