Academics’ Experiences in Veterinary Educational Research: Results of an International Survey
Notice bibliographique
Résumé
Research conducted by the veterinary education community is critical to continual improvement of educational outcomes. Additionally, research productivity is one metric in promotion and tenure decisions. We sought to identify challenges encountered or anticipated when undertaking or planning veterinary educational research (VER), to learn how these challenges might be overcome, and to synthesize tips for success from those who have performed VER. A branching survey was developed and deployed along the authors' worldwide veterinary education contacts in a cascading manner. The survey collected quantitative and qualitative information from participants who had performed VER and those who planned to perform VER in the future. The 258 participants represented 41 countries. Of the participants, 204 had performed VER (79%) and 54 planned to in the future (21%). The median time spent teaching was 14 years, and median time performing VER was 5 years. The most commonly reported challenges in performing VER were lack of funding, lack of time, and difficulties encountered when undertaking a study, including data collection, analysis, and publishing. When asked about overcoming the challenges, a major theme emerged around people, who provided expertise and mentoring. The most commonly reported tip for success was collaboration; 73% of experienced researchers reported people as most helpful upon beginning VER. Collaborators provided diverse help with ideas, study design, statistics, and other aspects. These results suggest that institutions can offer support to academics in the form of small grants, protected research time, writing workshops, and mentorship to assist with the production of meaningful VER.
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 | 0,010 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».