Promoting Evidence-based Veterinary Medicine through the online resource ‘EBVM Learning’: User feedback
Notice bibliographique
Résumé
Abstract ‘EBVM Learning’ is a freely available resource created in 2015 by an international team with the support of RCVS Knowledge. The resource comprises a series of online modules teaching the fundamental concepts of evidence-based veterinary medicine (EBVM) (Ask, Acquire, Appraise, Apply & Assess) supported by case studies, exercises, worked examples and quizzes. The aim of the current study (undertaken in 2019) was to review ‘EBVM Learning’ to ensure its ongoing relevance and usefulness to the range of learners engaged in EBVM. Feedback was gathered from stakeholder groups using website statistics and feedback forms, a survey and semi-structured interviews to provide a combination of quantitative and qualitative data. Website statistics revealed an international audience and a steady increase in visitors exceeding 1,000 per month in August 2020. Feedback via the online form (n=35) and survey (n=71) indicated that the resource was well structured, with an appropriate level and amount of content, useful examples and quizzes and the majority of respondents would use it again. Semi-structured interviews of educators (n=5) and veterinarians (n=8) identified three themes: features of the ‘EBVM Learning’ resource (strengths, suggestions for improvement), embedding the resource in education (undergraduate, postgraduate) and promoting EBVM (challenges, motivation for engagement). At a project team workshop the results were used to plan updates to the existing content and to identify new ways to promote learning and engagement. An updated version of ‘EBVM Learning’ was developed. ‘EBVM Learning’ is helping to produce the next generation of evidence-based practitioners and enabling to engage in the concepts of EBVM as part of their clinical practice.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».