Day-1 Competencies for Veterinarians Specific to Health Informatics
Notice bibliographique
Résumé
In 2015, the American Association of Veterinary Medical Colleges (AAVMC) developed the Competency-Based Veterinary Education (CBVE) framework to prepare practice-ready veterinarians through competency-based education, which is an outcomes-based approach to equipping students with the skills, knowledge, attitudes, values, and abilities to do their jobs. With increasing use of health informatics (HI: the use of information technology to deliver healthcare) by veterinarians, competencies in HI need to be developed. To reach consensus on a HI competency framework in this study, the Competency Framework Development (CFD) process was conducted using an online adaptation of Developing-A-Curriculum, an established methodology in veterinary medicine for reaching consensus among experts. The objectives of this study were to (1) create an HI competency framework for new veterinarians; (2) group the competency statements into common themes; (3) map the HI competency statements to the AAVMC competencies as illustrative sub-competencies; (4) provide insight into specific technologies that are currently relevant to new veterinary graduates; and (5) measure panelist satisfaction with the CFD process. The primary emphasis of the final HI competency framework was that veterinarians must be able to assess, select, and implement technology to optimize the client-patient experience, delivery of healthcare, and work-life balance for the veterinary team. Veterinarians must also continue their own education regarding technology by engaging relevant experts and opinion leaders.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».