Impact of Virtual Patients as Optional Learning Material in Veterinary Biochemistry Education
Notice bibliographique
Résumé
Biochemistry and physiology teachers from veterinary faculties in Hannover, Budapest, and Lublin prepared innovative, computer-based, integrative clinical case scenarios as optional learning materials for teaching and learning in basic sciences. These learning materials were designed to enhance attention and increase interest and intrinsic motivation for learning, thus strengthening autonomous, active, and self-directed learning. We investigated learning progress and success by administering a pre-test before exposure to the virtual patients (vetVIP) cases, offered vetVIP cases alongside regular biochemistry courses, and then administered a complementary post-test. We analyzed improvement in cohort performance and level of confidence in rating questions. Results of the performance in biochemistry examinations in 2014, 2015, and 2016 were correlated with the use of and performance in vetVIP cases throughout biochemistry courses in Hannover. Surveys of students reflected that interactive cases helped them understand the relevance of basic sciences in veterinary education. Differences between identical pre- and post-tests revealed knowledge improvement (correct answers: +28% in Hannover, +9% in Lublin) and enhanced confidence in decision making ("I don't know" answers: -20% in Hannover, -7.5% in Lublin). High case usage and voluntary participation (use of vetVIP cases in Hannover and Lublin >70%, Budapest <1%; response rates in pre-test 72% and post-test 48%) indicated a good increase in motivation for the subject of biochemistry. Despite increased motivation, there was only a weak correlation between performance in final exams and performance in the vetVIP cases. Case-based e-learning could be extended and generated cases should be shared across veterinary faculties.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».