The Effect of an Ovariohysterectomy Model Practice on Surgical Times for Final-Year Veterinary Students’ First Live-Animal Ovariohysterectomies
Notice bibliographique
Résumé
This study evaluated whether one supervised simulated ovariohysterectomy (OVH) using a locally developed canine OVH model, decreased surgical time for final-year veterinary students’ first live-animal OVH. We also investigated student perceptions of the model as a teaching aid. Final-year veterinary students were exposed to an OVH model (Group M, n = 48) and compared to students without the exposure (Group C, n = 58). Both groups were instructed similarly on performing an OVH using a lecture, student notes, a video, and a demonstration OVH performed by a veterinary surgeon. Students in Group M then performed an OVH on the model before performing a live-animal OVH. Students in Group C had no exposure to the OVH model before performing a live-animal OVH. Surgical time data were analyzed using linear regression. Students in Group M completed a questionnaire on the OVH model after performing their first live-animal OVH. The OVH model exposure reduced students’ first canine live-animal OVH surgery time ( p = .009) for students without prior OVH experience. All students ( n = 48) enjoyed performing the procedure on the mode; students practicing an OVH on the model felt more confident (92%) and less stressed (73%) when performing their first live-animal OVH. Results suggest that the canine OVH model may be helpful as a clinical training tool and we concluded that the OVH model was effective at decreasing students’ first OVH surgical time.
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 | 0,001 | 0,008 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».