Use of a Multimodal, Peer-to-Peer Learning Management System for Introduction of Critical Clinical Thinking to First-Year Veterinary Students
Notice bibliographique
Résumé
Veterinary medical students need multiple thinking strategies, particularly critical thinking. We used a multimedia, peer review learning management system (CGScholar) to introduce a series of complex, realistic, case-based e-learning modules to help introduce critical thinking to 422 first-year veterinary students through instructor-designed clinical cases. Students developed and published on the CGScholar platform an analysis of a case and conducted anonymous peer reviews of each other's drafts. Instructors selected desirable characteristics of a student's activity to track and provide automatic feedback to students via an analytics dashboard and aster plot that allowed visualization of progress. The dashboard also enabled instructors to view the entire class's performance, highlighting students whose performance was lagging. Online interactions were supplemented by case-specific face-to-face workshop sessions. Our goal was to address the following questions: Does the addition of multimedia to a work (one's own or others') enhance people's ability to understand and convey the material? Does peer review (of one's own and others' work) lead to improvements in the writer's own work? Does the peer review process enhance the writer's understanding of what constitutes high-quality literature evidence? An anonymous student survey showed that experience was significantly more positive in the second and third year of implementation after inclusion of explicit guidance on the use of the rubric for peer review. Overall, 67% of students thought inclusion of multimedia enhanced their ability to communicate and 52% agreed multimedia enhanced their ability to understand their peers' analyses, but students were split on benefits to their understanding of high-quality literature.
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 | 0,006 | 0,022 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».