Teaching Veterinary Anesthesia: A Survey-Based Evaluation of Two High-Fidelity Models and Live-Animal Experience for Undergraduate Veterinary Students
Notice bibliographique
Résumé
In veterinary medical education, reduction, replacement, and refinement (the three Rs) must be considered. Three clinical skills in anesthesia were identified as challenging to students: endotracheal intubation, intravenous catheterization, and drug dose calculations. The aims of this project were to evaluate students' perception of their level of confidence in performing these three clinical skills in veterinary anesthesia, to document the extent of students' previous experience in performing these three tasks, and to describe students' emotional states during this training. Veterinary students completed a series of four surveys over the period of their pre-clinical training to evaluate the usefulness of high-fidelity models for skill acquisition in endotracheal intubation and intravenous catheterization. In addition, practice and ongoing assessment in drug dose calculations were performed. The curriculum during this period of training progressed from lectures and non-animal training, to anesthesia of pigs undergoing surgery from which they did not recover, and finally to anesthesia of dogs and cats in a neutering clinic. The level of confidence for each of the three clinical skills increased over the study period. For each skill, the number of students with no confidence decreased to zero and the proportion of students with higher levels of confidence increased. The high-fidelity models for endotracheal intubation and intravenous catheterization used to complement the live-animal teaching were considered a useful adjunct to the teaching of clinical skills in veterinary anesthesia. With practice, students became more confident performing drug dose calculations.
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 | 0,012 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».