The Use of Simulators for Teaching Fine Needle Aspiration Cytology in Veterinary Medicine
Notice bibliographique
Résumé
Fine needle aspiration (FNA) is widely used by veterinary practitioners, being taught mostly by observation. Simulators are known to enhance students' learning of practice skills, but to our knowledge, FNA simulators have never been assessed in veterinary medicine. Fifty-one undergraduate students with no prior experience in cytology were randomly assigned to two groups that practiced on either a box simulator (with artificial nodules) or a fruit (banana). An in-class flip was followed, in which students first observed a FNA video tutorial and then used their assigned simulator for 15 minutes maximum. Students then attempted a FNA on an animal model and were evaluated through an objective structured clinical examination (OSCE). Learning outcomes of each model was compared through questionnaires, OSCE pass rates, and quality of produced smears. After observing the video, no student reported being able to conduct a FNA on a live animal, whereas most assured that they would be able to do so after using a simulator. Students practiced more on the box model (14.8 ± 0.8 min) than on the fruit (8.5 ± 2.2 min). At evaluation, students who had practiced on the box had more puncturing accuracy than those who had practiced on the fruit. Still, no differences in OSCE pass rates existed. Simulation models thus were effective for learning FNA, but the box simulator seemed to be more successful than the fruit in terms of deliberate practice. This appears to have a positive effect on students' puncturing accuracy, which has clinical relevance.
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 | 0,012 |
| 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 ».