Virtual Multiple Mini-Interviews for Veterinary Admissions
Notice bibliographique
Résumé
Admissions teams are challenged to select the best applicants for their college. There is a growing emphasis on selecting applicants with personal attributes important for success in a variety of veterinary careers, but there is no clear consensus on how to best identify these individuals. A number of veterinary colleges are utilizing multiple mini-interviews (MMIs), a highly structured type of interview in this selection process. However, due to travel restrictions currently associated with COVID-19, many are now considering virtual MMIs. Long Island University (LIU) took the step to conduct MMIs virtually for its inaugural class before the pandemic restrictions occurred, largely because it hoped to reduce the cost of admission by eliminating travel costs. In this process, we encountered a unique set of challenges, the resolution of which we believe constitutes best practices for virtual MMIs. This report describes the design and execution of an MMI for LIU. We were able to interview 340 applicants in 7 days. Based on feedback from applicants as well as raters, most considered it an acceptable means of interviewing students. Both raters and applicants expressed a high degree of satisfaction with the process, and we were able to separate applicants based on MMI scores with 88% reliability.
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 | 0,046 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,010 |
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 ».