Exploring the Teaching Motivations, Satisfaction, and Challenges of Veterinary Preceptors: A Qualitative Study
Notice bibliographique
Résumé
Optimization of clinical veterinary education requires an understanding of what compels veterinary preceptors in their role as clinical educators, what satisfaction they receive from the teaching experience, and what struggles they encounter while supervising students in private practice. We explored veterinary preceptors' teaching motivations, enjoyment, and challenges by undertaking a thematic content analysis of 97 questionnaires and 17 semi-structured telephone interviews. Preceptor motivations included intrinsic factors (obligation to the profession, maintenance of competence, satisfaction) and extrinsic factors (promotion of the veterinary field, recruitment). Veterinarians enjoyed observing the learner (motivation and enthusiasm, skill development) and engaging with the learner (sharing their passion for the profession, developing professional relationships). Challenges for veterinary preceptors included variability in learner interest and engagement, time management, and lack of guidance from the veterinary medicine program. We found dynamic interactions among the teaching motivations, enjoyment, and challenges for preceptors. Our findings suggest that in order to sustain the veterinary preceptor, there is a need to recognize the interplay between the incentives and disincentives for teaching, to foster the motivations and enjoyment for teaching, and to mitigate the challenges of teaching in community private practice.
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 | 0,005 | 0,006 |
| 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 | 0,001 | 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) | 0,000 | 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 ».