An Instructional Intervention to Encourage Effective Deep Collaborative Learning in Undergraduate Veterinary Students
Notice bibliographique
Résumé
In recent years, veterinary education has received an increased amount of attention directed at the value and application of collaborative case-based learning. The benefit of instilling deep learning practices in undergraduate veterinary students has also emerged as a powerful tool in encouraging continued professional education. However, research into the design and application of instructional strategies to encourage deep, collaborative case-based learning in veterinary undergraduates has been limited. This study focused on delivering an instructional intervention (via a 20-minute presentation and student handout) to foster productive, collaborative case-based learning in veterinary education. The aim was to instigate and encourage deep learning practices in a collaborative case-based assignment and to assess the impact of the intervention on students' group learning. Two cohorts of veterinary students were involved in the study. One cohort was exposed to an instructional intervention, and the other provided the control for the study. The instructional strategy was grounded in the collaborative learning literature and prior empirical studies with veterinary students. Results showed that the intervention cohort spent proportionally more time on understanding case content material than did the control cohort and rated their face-to-face discussions as more useful in achieving their learning outcomes than did their control counterparts. In addition, the perceived difficulty of the assignment evolved differently for the control and intervention students from start to end of the assignment. This study provides encouraging evidence that veterinary students can change and enhance the way they interact in a group setting to effectively engage in collaborative learning practices.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».