Introducing Clinical Behavioral Medicine to Veterinary Students with Real Clients and Pets: A Required Class Activity and an Optional Workshop
Notice bibliographique
Résumé
Addressing behavior problems in clinical practice requires diagnostic expertise as well as excellent client skills in communication, gained by experience. This issue was addressed by introducing clinical behavior to first-year veterinary students. The program was implemented over four successive terms (2017-2019) at St. George's University School of Veterinary Medicine. The clinical practice hour was introduced after a brief first-year clinical behavior course (7 lectures). Students were divided into 6-8 person teams. In a class demonstration with a student and his/her dog having behavior problems, two students served as clinicians; a third student, as a scribe, recorded case details. They discussed signalment, history, presenting problems, and possible treatment approaches for 25 minutes; then, the class divided into the assigned teams to develop their specific treatment plans and write up and submit team case reports. During each term, the student Animal Welfare and Behavior Committee organized an optional behavior workshop (enrollment was 24 veterinary students from years 1 through 3). Participation in the workshop included an introductory session and two clinical sessions. Four dog and/or cat cases were scheduled for each of the two sessions. Six students addressed each case: three students were lead clinicians. Workshop evenings concluded with a discussion of all cases. Students were presented a certificate of completion. Students gained early experience in clinical communication, behavior problems, and case write-ups. The abundance of students' pets with behavior problems made this a context that simplified recruiting real cases, but variations could be adapted as appropriate in other communities.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».