Impact of Expert Commentary and Student Reflection on Veterinary Clinical Decision-Making Skills in an Innovative Electronic-Learning Case-Based Platform
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
One challenge in veterinary education is bridging the divide between the nature of classroom examples (well-defined problem solving) and real world situations (ill-defined problem solving). Solving the latter often relies on experiential knowledge, which is difficult to impart to inexperienced students. A multidisciplinary team including veterinary specialists and learning scientists developed an interactive, e-learning case-based module in which students made critical decisions at five specific points (Decision Points [DPs]). After committing to each decision (Original Answers), students reflected on the thought processes of experts making similar decisions, and were allowed to revise their decisions (Revised Answers); both sets of answers were scored. In Phase I, performance of students trained using the module (E-Learning Group) and by lecture (Traditional Group) was compared on the course final examination. There was no difference in performance between the groups, suggesting that the e-learning module was as effective as traditional lecture for content delivery. In Phase II, differences between Original Answers and Revised Answers were evaluated for a larger group of students, all of whom used the module as the sole method of instruction. There was a significant improvement in scores between Original and Revised Answers for four out of five DPs (DP1, p =.004; DP2, p =.04; DP4, p <.001; DP5, p <.001). The authors conclude that the ability to rehearse clinical decision making through this tool, without direct individual feedback from an instructor, may facilitate students' transition from problem solving in a well-structured classroom setting to an ill-structured clinical setting.
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.
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 | 0,006 | 0,004 |
| 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 découle