Development of Surgical Competence in Veterinary Students Using a Flipped Classroom Approach
Notice bibliographique
Résumé
Clinical skills laboratory (CSL) training was recently introduced in the renewed veterinary curriculum at Ghent University, using models and simulators for teaching practical skills. However, time in the CSL is restricted due to the large number of students combined with limited availability of personnel. Therefore, a flipped classroom (FC) model was introduced to maximize learning experiences. The goal of the present study was to evaluate the effect of flipped classroom CSL training on students’ self-efficacy and practical surgical skills. Flipped classroom CSL training was implemented for the third-year pre-clinical students ( n = 196) in the 6-year veterinary medicine program. Prior to CSL sessions, students studied online ‘learning paths,’ including text, pictures, videos of the skills, links to background information, a forum, and a compulsory pre-class quiz. A pre- and post-test were administered before and after flipped classroom CSL training. The tests consisted of a self-efficacy scale consisting of 20 items and an objective structured clinical examination (OSCE) test of surgical skills performance. Flipped classroom CSL training resulted in significantly higher self-efficacy (score/100, pre-test 55 ± 14 vs. post-test 83 ± 8, p< .001) and surgical skills performance (score/20, pre-test 5 ± 3 vs. post-test 17 ± 3, p< .001). In conclusion, this study demonstrated the feasibility and value of implementing a flipped classroom approach in combination with CSL training.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».