Virtual VM4 Clinical Rotations: A COVID-19 Pandemic Response at Iowa State University College of Veterinary Medicine
Notice bibliographique
Résumé
Policy changes in response to the coronavirus disease 2019 (COVID-19) pandemic at Iowa State University College of Veterinary Medicine (ISU-CVM) included the administrative directive that fourth-year (VM4) clinical rotations immediately transition from in-person to virtual format. This article summarizes the efforts, successes, and challenges experienced by ISU-CVM clinical faculty during this transition. Numerous data sources were reviewed, including college records and announcements, faculty survey results, and student rotation evaluations. Data were explored using quantitative and qualitative methods. Between March and July 2020, 36 faculty from 15 different clinical services invested approximately 5,000 hours in delivering virtual content to 165 VM4 students from ISU-CVM and Caribbean veterinary schools. With departmental, college, and university assistance, faculty effectively used educational technologies (Zoom, Canvas, Echo360) and developed adaptive and innovative methods for virtual content delivery. Virtual VM4 rotations were collectively well received and appreciated by students, and student evaluation scores for virtual rotations were statistically equivalent to or higher than those for the corresponding in-person rotations in the preceding year. Although certain hands-on skills could not be adequately acquired in a virtual environment, students gained theoretical knowledge and case-based problem-solving skills in the online format. Faculty reported satisfaction with their adaptability and resilience in these challenging circumstances. These findings demonstrate that ISU-CVM clinical faculty invested substantial time and effort to transition in-person clinical rotations to virtual format during the early COVID-19 pandemic. This is particularly noteworthy given that many of these same faculty simultaneously served as essential personnel managing clinical cases in the university's teaching hospital.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| 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 | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 source (Gemma direct ou Codex distillé), 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 ».