Analysis of Short-Answer Question Styles versus Gender in Pre-Clinical Veterinary Education
Notice bibliographique
Résumé
One large study in medical education has reported that the choice of question format (or question content) could introduce a gender bias, with men outperforming women on questions with a true-false component or that required knowledge of anatomy or physiology. The purpose of our study was to ascertain whether this finding is also true in veterinary medical education. Two veterinary student cohorts were analyzed across four different modules over a three-year period (804 questions in total). The results of the study show that the women's and men's performance did not differ in any of the question types analyzed across any module or year. When students' (both women and men) overall average performance on different question types was compared with their performance on standard multiple-choice questions (MCQs), performance levels increased when students were asked to answer MCQs that contained an image-based prop (IMCQ) such as a photograph, X-ray image, or diagram. In contrast, students' performance was consistently lower when answering assertion-reason questions (ARQs), and this performance could not be explained by the demographic makeup of the two cohorts analyzed. When comparing standard MCQs with MCQs that contained a true-false question stem, no specific trend in the data could be determined. In conclusion, this study suggests that the short-answer question style does not bias against one gender in veterinary medical education, but that overall students do perform differently according to question type and, in particular, less well when ARQs are used in examinations.
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 | 0,004 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».