Evaluation of Veterinary Students’ Communication Skills with a Service Dog Handler in a Simulated Client Scenario
Notice bibliographique
Résumé
Effective communication skills serve as a key component of excellent veterinary care and provide a foundation for building trusting relationships with clients. While many veterinary clients value their pets for companionship, the focus of other relationships may be based on a partnership between the human and animal, as is the case with the handlers of service dogs. As the use of service dogs in the US continues to grow, it is important that veterinary professionals are educated on how best to meet the unique needs of service dogs and their handlers. This article evaluates the interactions of veterinary students with a service dog handler in a simulated client scenario. Ten videotaped interactions were coded to assess third-year students’ communication skills (nonverbal communication, open-ended questions, reflective listening, and empathy), and their ability to discuss the diagnostic and therapeutic options for a dog with suspected intervertebral disk disease. Results showed that the majority of students demonstrated competence in the use of nonverbal communication skills and in discussing the biomedical aspects of the disease. Students require development in the use of open-ended questions, reflective listening statements, and expression of empathy, as well as building client rapport and discussing the psychosocial aspect of the disease on the client and patient. These findings suggest that veterinary students may benefit from targeted instruction on “best practices” in caring for service dogs and their handlers, including greater attention to the psychosocial aspects of a disease, and from additional communication practice using standardized clients with service dogs.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».