The use of the roter interaction analysis system in assessing veterinary student clinical communication skills during equine wellness examinations in rural Kentucky, USA: A pilot study
Notice bibliographique
Résumé
BACKGROUND: Effective clinical communication can aid veterinarians in building good client relationships, increase adherence to recommendations and, ultimately, improve patient health and welfare. However, available information on veterinary communication in the equine context is limited. The objective of this study was to describe the communication of veterinary students in the equine environment who had previous communication training. Additionally, we assessed the suitability of the Roter Interaction Analysis System (RIAS) for the analysis of audio-video recordings of equine wellness consultations. METHODS: Twenty-seven equine wellness consultations performed by second-year Ross University School of Veterinary Medicine students were recorded in rural Kentucky, United States of America. Recordings were submitted to a professional coder who applied the RIAS to the equine context by expanding or adjusting code definitions. RESULTS: A substantial amount of utterances (i.e. segments of speech) were allocated to core communication skills including building rapport (30%), facilitation and client activation (24%) and education and counselling (23%). There was a large variation in utterances used among consultations of the same veterinary student and students; they did not appear anxious or nervous. CONCLUSIONS: Students made use of core communication skills, indicating that experiences from pre-clinical training could be transferred to equine practice. Furthermore, this study demonstrated that the RIAS could be considered for consecutive studies aiming to provide observational data on clinical communication in the equine context.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| 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 ».