Medicina Veterinaria Forense, Bienestar y Maltrato Animal: Percepciones y Conocimiento de Estudiantes de Medicina Veterinaria Colombianos y Brasileños
Notice bibliographique
Résumé
Los médicos veterinarios juegan un papel fundamental en la detección de casos de maltrato animal y violencia doméstica. Por lo tanto, es esencial que las escuelas de medicina veterinaria brinden una formación adecuada en bienestar animal y medicina veterinaria forense. El objetivo del presente artículo es caracterizar la percepción y el conocimiento de los estudiantes de medicina veterinaria sobre la formación en medicina veterinaria forense, bienestar animal y la asociación entre maltrato animal y violencia humana. Un cuestionario online fue distribuido a los estudiantes de las 227 y 22 facultades de medicina veterinaria en Brasil y Colombia, respectivamente. Pruebas de chi-cuadrado fueron realizadas para comparar las respuestas de las variables categóricas entre los estudiantes de Brasil y Colombia. La mayoría de los estudiantes encuestados indicaron que su escuela ofrecía capacitación en bienestar animal. Sin embargo, solo el 21.8% (47/216) de los estudiantes colombianos y el 43.1% (216/523) de los brasileños mencionaron que su facultad ofrecía formación en medicina veterinaria forense. En ambos países fueron identificadas deficiencias en la capacitación sobre la identificación de traumas no accidentales, denuncia de maltrato animal y el conocimiento sobre la asociación entre maltrato animal y violencia interpersonal. A pesar de esto, más del 90% de los estudiantes relataron ser conscientes de la relación que existe entre estos dos crímenes y la importancia de recibir capacitación obligatoria sobre maltrato animal y medicina veterinaria forense. Adicionalmente, la mayoría de los encuestados reconocieron que el maltrato animal incluye tanto el abuso físico como el mental. Nuestros resultados destacan la necesidad de mejorar la educación en bienestar animal, maltrato animal, violencia humana y medicina veterinaria forense en las facultades de medicina veterinaria de Brasil y Colombia.
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 | 0,002 | 0,005 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».