Exploring the Mindset of Veterinary Educators for Intelligence, Clinical Reasoning, Compassion, and Morality
Notice bibliographique
Résumé
Mindset theory describes whether an individual believes their intelligence can be honed and improved with effort or whether it is inherent and fixed. These two different perceptions are called growth and fixed mindsets, respectively. Previous research has shown that students with growth mindsets embrace challenges, strive for mastery, have better psychological well-being, and are more resilient than students with fixed mindsets. Mindset is contagious, and teachers’ mindsets can influence students’ mindsets, motivation, and feedback-seeking behaviors. This is the first study of the veterinary educator mindset. Previous research has shown that mindset can vary by subject or personal attributes, called domains. This study investigated mindset in four domains: intelligence, clinical reasoning, compassion, and morality. A survey was developed by combining two previously published mindset scales and was distributed electronically to the veterinary teaching faculty at St. George’s University, Grenada. The survey participants ( n = 38, response rate 56%) showed predominantly growth mindsets, with some variation by domain: for intelligence, 84.2% growth, 5.3% intermediate, 10.5% fixed mindset; for clinical reasoning, 92.1% growth, 5.3% intermediate, 2.6% fixed mindset; for compassion, 63.2% growth, 2.6% intermediate, 34.2% fixed; and for morality, 60.5% growth, 13.2% intermediate, and 26.3% fixed mindset. Fifteen participants (39.5%) had fixed mindsets in one or more domains. Twenty participants (52.6%) had growth mindsets in all four domains. There were no associations found between demographic variables and mindset. This study found that most of the veterinary teaching faculty at this university had growth mindsets in all domains investigated.
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 | 0,008 | 0,017 |
| 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 | 0,000 |
| 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 ».