First Experimental Study in Turkey Teaches Veterinary Students How to Break Bad News
Notice bibliographique
Résumé
The importance of communication skills in veterinary medicine has been increasing for a long time. The aim of this article is to investigate how theoretical training, role-playing, and standardized/simulated client (SC) methods improve senior (fifth-year) veterinary students’ skills in breaking bad news. The study was carried out with 67 volunteer senior students. The research was designed from a pre-test and post-test control group pattern. All students encountered the SC. After pre-tests, theoretical training was given to Experimental Group A (EGA) and Experimental Group B (EGB). Then, only the students in EGA role-played together. Each student completed a checklist consisting of 10 basic items after pre-tests and post-tests. After post-tests, focus group interviews with open-ended questions were conducted. In the pairwise comparisons, EGA’s and EGB’s adjusted post-test mean scores were significantly higher than the control group’s ( p < .001). EGA’s and EGB’s post-test scores were found to be significantly higher than their pre-test scores. Women’s empathy and eye contact scores were found to be statistically higher than men’s scores. This study is the first of its kind in Turkey to use SCs and peer-to-peer learning with role-play simulations in training students about breaking bad news in veterinary medicine. These findings show that theoretical training and role-playing has an impact on senior veterinary students’ skills in breaking bad news.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».