Using Focus Groups to Engage Veterinary Students in Course Redesign and Development
Notice bibliographique
Résumé
Students' perceptions about the quality of teaching have been shown to influence their approaches to learning and studying. The literature suggests that understanding student perceptions is critical to making informed decisions about curriculum development so that courses meet objectives, enhance engagement, and, ultimately, improve learning. However, the assessment of students' perceptions of their courses and the quality of teaching is frequently limited to an end-of-term course evaluation survey. While these course evaluations may be useful in providing a summative assessment, they do not typically provide insight into the reasons and influences that underlie student ratings. Achieving this type of understanding can be accomplished through qualitative methodology, which is a process of investigation used to reveal the depth, complexity, and nuances of perceptions and experiences. In the current article, we report the use of focus groups as a method of gaining in-depth understanding of student perceptions for course redesign. We present the redesign of the Art of Veterinary Medicine II course, a second-year core offering within the Doctor of Veterinary Medicine curriculum at the Ontario Veterinary College in Guelph, Canada. A series of student focus groups were held to gain greater insight into student perceptions of the course objectives, format, and content. Findings were then considered in the redevelopment of the course to better engage students and their various learning styles. Summative course evaluations as well as informal feedback before and after the focus groups indicate a notable improvement in student experiences and perceptions of the course format and content following the focus-group informed course redesign.
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 | 0,011 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».