Education in Veterinary Pathology: Innovations and Global Challenges
Notice bibliographique
Résumé
The emphasis and location of pathology within veterinary curricula have undergone much change over recent years, and yet pathology can be viewed as a central ‘‘cog’’ in the whole curriculum. Traditionally this cog was located at the mid-point of curricula, forming the bridge between pre-clinical and clinical work. In this context, we can learn much from the human medical world—in particular, the change to more integrated curricula that occurred in the United Kingdom in wake of the ‘‘Tomorrows Doctors’’ documents, as described in this issue by Reid. The resulting concern from the ‘‘disciplines’’ about the consequences of potential loss of identity within these new integrated curriculum models was profound with a danger, as described elsewhere, that ‘‘while the medical education train accelerates away, pathologists are at risk of being left on the platform arguing the benefits of steam.’’ New and innovative approaches to learning and teaching in veterinary pathology using case-based approaches are described in this issue that embrace integration yet maintain the identity of the discipline. The utility of technology as it relates to ‘‘virtual microscopy’’ is also described in several articles—both for histopathology and for cytopathology—and there is good evidence to suggest real benefits to the quality of teaching and learning in this traditionally challenging area.
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 | 0,013 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,025 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
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 ».