The Effects of Content Delivery Methods on Ultrasound Knobology and Image Quality Recognition Training in First-Year Veterinary Students
Notice bibliographique
Résumé
As new technologies are incorporated into the practice of veterinary medicine, it is imperative we utilize the most effective and impactful content delivery methods. Ultrasound technology has become more affordable and compact for veterinary hospitals, leading to easier incorporation into practice. This study compares three methods of delivering ultrasound knobology content to first-year veterinary students at Texas A&M University College of Veterinary Medicine and Biomedical Sciences. In a prospective study, first-year veterinary students were randomly selected to receive one of three content delivery methods: self-directed active learning (SDL), in-person instructor demonstration, or online module instruction. Knowledge acquisition was assessed using a 10-question quiz for short-term understanding followed by a 10-question quiz after a 6-week period to assess long-term knowledge retention. Student demographics were analyzed using the Chi-square test. Quiz scores were analyzed between groups using Kruskal–Wallis tests followed by Dunn’s post-tests for multiple comparisons. Values of p ≤ .05 were considered significant. On the short-term and retention quiz questions, students participating in SDL scored significantly higher (10 [5–10]) than those receiving in-person instructor demonstration (9 [3–10] p = .01 and 8 [2–10] p = .0004, respectively) or the online module instruction training (Group C) (6 [1–10] p < 0.0001 and 8 [4–10] p < .001, respectively). Based on quiz scores, veterinary students exhibited better ultrasound knobology and image quality recognition proficiency immediately and at 6-weeks following SDL when compared with other content delivery methods. Self-directed learning methods are recommended when teaching ultrasonography 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 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 | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».