Evaluation of Two Training Methods for Teaching the Abdominal Focused Assessment with Sonography for Trauma Technique (A-FAST) to First- and Second-Year Veterinary Students
Notice bibliographique
Résumé
Ultrasound techniques, including focused assessment with sonography for trauma (FAST) examinations, are commonly used in veterinary practice, making inclusion of ultrasound in veterinary curricula increasingly important. The best approach for teaching ultrasound techniques in veterinary medicine has not been evaluated. This study compared the results of two training techniques, live-animal training and online video instruction, on students' performance during abdominal FAST (A-FAST) examinations. Thirty-eight first- and second-year veterinary students were randomly assigned to learn A-FAST via a live-animal laboratory or an instructional video. The live-animal group received one-on-one instruction in A-FAST techniques during a single laboratory. The video group received a link to an instructional video demonstrating A-FAST techniques, allowing unlimited viewing opportunities over a two-week period. Both groups were also provided written instructional information. All participants were assessed on their ability to find and correctly name the four A-FAST quadrants on a live animal. We found a significant difference between the two groups in the students' ability to identify the diaphragmatic-hepatic (DH) view, but for the other three views (hepatorenal, splenorenal, and cystocolic), training method did not affect performance. Results suggest the potential for using a multi-modal instructional approach to teach ultrasound techniques to veterinary students.
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 | 0,013 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».