Training Method and Other Factors Affecting Student Accuracy in Bovine Pregnancy Diagnosis
Notice bibliographique
Résumé
To optimize bovine pregnancy diagnosis (PD) training, factors influencing student performance were investigated. The objective was to determine whether training method, gender, background (farm, urban, or mixed), previous experience in bovine PD, and current career interest influenced the accuracy of bovine PD by trans-rectal palpation (TRP). Fourth-year (of a 6-year program) veterinary students (n=138) received one PD training session in groups using either simulator training on Breed'n Betsy (BB) or training on live cows (C). Students completed a questionnaire on gender, background, and career interest. Students' PD accuracy (pregnancy status and stage) was determined after training when each student palpated six cows with known pregnancy status. Students' accuracy in determining pregnancy status was measured as sensitivity and specificity (the ability to correctly identify the presence and absence of pregnancy respectively). Factors that influenced overall accuracy with a higher student sensitivity of bovine PD by TRP were training method, farming background, an interest in a mixed animal career, and stage of gestation. Gender of students and previous experience in bovine PD did not have an influence. Training on BB simulators was associated with lower student sensitivity for pregnancy detection in cows <6 months pregnant. Student sensitivity for pregnancy detection in cows >6 months pregnant was similar for training on BB simulators and live cows. No evaluated factors were significantly associated with specificity of PD. Teaching efforts focusing on specificity of PD and repeated simulator-based training in conjunction with live cow exposure are recommended.
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 | 0,002 | 0,013 |
| 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) | 0,001 | 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 ».