Influence of an Exercise Program, Muscle Strength, Proprioception, and Arm Length on Veterinary Students’ Bovine Pregnancy Diagnosis Accuracy
Notice bibliographique
Résumé
Bovine pregnancy diagnosis (PD) by transrectal palpation (TRP) is an important skill for veterinary graduates. Factors influencing students’ PD accuracy were investigated to optimize bovine PD by TRP training without increasing live animal exposure. The objective was to determine whether arm length and strength, proprioception, and exposure to a 6-week exercise training program were significantly associated with students’ PD accuracy. Veterinary students ( n = 128) who had previously received formal theoretical and practical training in bovine TRP and PD (live cows and TRP simulators) were assessed for PD accuracy on live cows. Prior to assessment, arm muscle strength measurement, an exercise program, and additional TRP sessions on Breed’n Betsy ® simulators and live cows were offered to the students. Seventy-eight students volunteered to participate in the arm length measurement, muscle strength, and proprioception testing. Of these, 35 randomly allocated students completed a 6-week exercise program, after which muscle strength was reassessed. Each student performed PDs on six cows of which the pregnancy status, ranging from 6 weeks to 9 months pregnant or not pregnant, was predetermined by an experienced veterinarian. PD accuracy was measured as sensitivity and specificity, being defined as the proportion of pregnant or nonpregnant cows, respectively, correctly identified by the student. It is concluded that hand grip strength and participation in an exercise program are significant predictors of veterinary students’ PD accuracy. Implementation of an exercise program aimed at improving grip strength in the veterinary curriculum is a novel approach to improve bovine TRP and PD 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».