Educational Research Report Veterinary Educator Teaching and Scholarship (VETS): A Case Study of a Multi-Institutional Faculty Development Program to Advance Teaching and Learning
Notice bibliographique
Résumé
Content expertise in basic science and clinical disciplines does not assure proficiency in teaching. Faculty development to improve teaching and learning is essential for the advancement of veterinary education. The Consortium of West Region Colleges of Veterinary Medicine established the Regional Teaching Academy (RTA) with the focus of "Making Teaching Matter." The objective of the RTA's first effort, the Faculty Development Initiative (FDI), was to develop a multi-institutional faculty development program for veterinary educators to learn about and integrate effective teaching methods. In 2016, the Veterinary Educator Teaching and Scholarship (VETS) program was piloted at Oregon State University's College of Veterinary Medicine. This article uses a case study approach to program evaluation of the VETS program. We describe the VETS program, participants' perceptions, participants' teaching method integration, and lessons learned. A modified Kirkpatrick Model (MKM) was used to categorize program outcomes and impact. Quantitative data are presented as descriptive statistics, and qualitative data are presented as the themes that emerged from participant survey comments and post-program focus groups. Results indicated outcomes and impacts that included participants' perceptions of the program, changes in participant attitude toward teaching and learning, an increase in the knowledge level of participants, self-reported changes in participant behaviors, and changes in practices and structure at the college level. Lessons learned indicate that the following are essential for program success: (1) providing institutional and financial support; (2) creating a community of practice (COP) of faculty development facilitators, and (3) developing a program that addresses the needs of faculty and member institutions.
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 | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».