Assessment and Revision of the Veterinary Internship and Residency Matching Program Standardized Letter of Reference
Notice bibliographique
Résumé
The Veterinary Internship and Residency Matching Program (VIRMP) recently revised its electronic standardized letter of reference (SLOR) to improve the quality and usefulness of the data obtained from it and to enhance the relevance of non-cognitive and cognitive candidate attributes assessed. We used a stepwise process including a broad survey of SLOR readers and writers, analysis of past SLORs, and a multi-wave iterative revision that included key stakeholders, such as residency and internship program directors from academia and private practice. Data from the SLOR survey and analysis of past SLOR responses identified opportunities to improve applicant differentiation, mitigate positive bias, and encourage response consistency. The survey and other analytics identified and confirmed performance domains of high relevance. The revised SLOR assesses four performance domains: knowledge base and clinical skills, stress and time management, interpersonal skills, and personal characteristics. Ratings within the revised SLOR are predominantly criterion-referenced to enhance discernment of candidate attributes contained within each domain. Questions assessing areas of strength and targeted mentoring were replaced with free-text boxes, which allow writers to comment on positive and neutral/negative ratings of attributes within domains. Minor revisions were made to certain questions to enhance readability, streamline responses, or address targeted concerns identified in the SLOR survey or stakeholder review. The revised SLOR was deployed in the 2020 VIRMP; data from a survey of writers ( n = 647) and readers ( n = 378) indicate that the redesign objectives were achieved.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».