A Call for Compassionate Empathy: Analysis of Verbal Empathic Communication between Veterinary Students and Veterinary Clients and their Dogs
Notice bibliographique
Résumé
In human medicine, empathy contributes to enhanced patient satisfaction and trust, decreased litigation, and increased adherence to medical recommendations. Understanding client perspectives is crucial in the empathic process; failure to explore these perspectives has been linked to decreased client satisfaction in veterinary consultations. This article explores how veterinary clients verbally expressed emotional concerns during consultations and how veterinary students addressed them. The “Model of Empathic Communication in the Medical Interview” by Suchman et al., is the starting point for a thematic analysis of consultation transcripts. Clients expressed multiple emotional concerns both directly by using explicit words (coded as empathic opportunities-EO), and indirectly (coded as potential empathic opportunities-PEO), throughout the consultations. Indirect examples prevailed and included stories about previous experiences with pet illnesses and pet care received elsewhere. Clients used explicit words, including “fear” and “panic.” Students usually responded with a biomedical focus, including asking medical questions and giving medical explanations. Although students demonstrated various communication skills, they failed to demonstrate a complete verbal compassionate empathic response (a novel code) that includes exploring and verbalizing accurate understanding of the clients’ perspectives and offering help based on this understanding. These findings suggest that strategies to teach compassionate empathy and support its use in the clinical setting are not fully effective, and veterinary students risk entering practice unprepared to employ this vital competency. The authors also introduce an operational definition for compassionate empathy.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».