Use of a Versatile, Inexpensive Ophthalmoscopy Teaching Model in Veterinary Medical Student Education Increases Ophthalmoscopy Proficiency
Notice bibliographique
Résumé
Ophthalmoscopy is an important examination technique in the diagnosis of disease. Although it is difficult to learn, practice increases confidence and proficiency. Practicing ophthalmoscopy on live animals presents an additional level of complexity, so we sought to evaluate how students would respond to practicing ophthalmoscopy on an ocular fundus model. We constructed a simple and inexpensive model and allowed half of the students (49/100) in a first-year veterinary medicine class to practice ophthalmoscopy (direct, PanOptic, and indirect) for 20 minutes using the model. Students completed a questionnaire regarding ease of use, enjoyment, and recommendations for future use of the model immediately after the practice session. Six weeks later, we tested students’ ability to correctly match a fundus to a photograph using indirect ophthalmoscopy. All students who used the model rated it as ‘easy’ or ‘somewhat easy’ to use. All students reported that they ‘enjoyed’ (93.9%) or ‘somewhat enjoyed’ (6.1%) using the model. Also, all students who used the model stated the models should continue to be used to aid student learning. Students who used the model were significantly more likely ( p = .013) to correctly match a fundus photograph to the fundus being observed than students who had not used the model. These findings demonstrate that the model used in this study is well received by students and results in discernible gains in proficiency.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».