Self-Efficacy and Student Satisfaction in a Clinical-Year Diagnostic Imaging Course Using an Online Instruction Format
Notice bibliographique
Résumé
Accurate interpretation of radiographic images is critical to diagnosing clinical patients. Remote instruction in radiology has become more common at veterinary colleges as academic institutions struggle to fill open veterinary radiologist positions and as a result of the COVID-19 pandemic. This study sought to gather the feedback of fourth-year veterinary students via pre- and post-study surveys ( n = 45) and focus groups ( n = 7) about a newly implemented 2-week long radiology rotation. Ninety-eight percent of students reported having taken an online course before, and on both pre- and post-study surveys, students commonly reported feeling interested, determined, and attentive. On average, students reported that they were neither more nor less engaged than they would have been in an in-person course and that they understood the material neither better nor worse than they would have in an in-person course. Students reported that the key to their success was primarily hard work; secondarily, instructor availability and student ability were important. Students did not rate luck as having much influence on their success. Although diagnostic imaging can be a challenging subject to master, students effectively learned this subject through online instruction. They provided feedback for the course’s continued improvement; their comments centered around improved interactivity, including providing automated quiz questions’ answers and increased instructor availability. Data collected in this study will help to guide further development of the radiology course.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».