The Veterinary Identity: A Time and Context Model
Notice bibliographique
Résumé
The nature of professionalism teaching is a current issue in veterinary education, with an individual’s identity as a professional having implications for one’s values and behaviors, as well as for his or her career satisfaction and psychological well-being. An appropriately formed professional identity imparts competence in making complex decisions—those that involve multiple perspectives and are complicated by contextual challenges. It enables an individual to act in a way that aligns with his or her professional values and priorities, and imparts resilience to situations in which one’s actions are dissonant to these personal beliefs. There are challenges in professionalism teaching that relate to student engagement and faculty confidence in this area. However, these cannot be addressed without first defining the veterinary professional identity—in effect, the aim of professionalism teaching. In this article, existing identity models from the wider literature have been analyzed through a veterinary lens. This analysis was then used to construct a model of veterinary professional identity that incorporates the self (personal morals and values), social development (learning from the workplace environment), and professional behaviors. Individuals who form what we have termed self–environment–behavior connections are proposed to be able to use workplace learning opportunities to inform their identity development, such that environmental complexity does not obstruct the link between values and behaviors. Those who fail to connect with the environment in this way may perceive that environmental influences (e.g., the client, financial limitations) are obstructive to enacting their desired identity, and they may struggle with decision making in complex scenarios.
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 | 0,003 |
| 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 | 0,001 | 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 ».