Perceptions of the Veterinary Profession among Human Health Care Students before an Inter-Professional Education Course at Midwestern University
Notice bibliographique
Résumé
Conflicts among health care professionals often stem from misperceptions about each profession's role in the health care industry. These divisive tendencies impede progress in multidisciplinary collaborations to improve human, animal, and environmental health. Inter-professional education (IPE) may repair rifts between health care professions by encouraging students to share their professional identities with colleagues in unrelated health care disciplines. An online survey was conducted at Midwestern University (MWU) to identify baseline perceptions about veterinary medicine among entry-level human health care students before their enrollment in an inter-professional course. Participation was anonymous and voluntary. The survey included Likert-type scales and free-text questions. Survey participants expressed their interest in and respect for the discipline of veterinary medicine, but indicated that their unfamiliarity with the profession hindered their ability to collaborate. Twenty percent of human health care students did not know the length of a Doctor of Veterinary Medicine (DVM) program and 27.6% were unaware that veterinarians could specialize. Although 83.2% of participants agreed that maintaining the human-animal bond is a central role of the veterinary profession, veterinary contributions to stem cell research, food and water safety, public health, environmental conservation, and the military were infrequently recognized. If IPE is to successfully pave the way for multidisciplinary collaboration, it needs to address these gaps in knowledge and broaden the definition of veterinary practice for future human health care providers.
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 | 0,001 | 0,000 |
| 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 | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».