Recruiting Research Higher Degree Students into Veterinary Science
Notice bibliographique
Résumé
Research at veterinary schools is usually driven by post-graduate students, yet there has been little or no study of how these students are selected. We undertook a review of the challenges faced in enlisting research higher degree (RHD) students at a long-established veterinary school, the School of Veterinary Science at the University of Queensland. Our aim was to identify the best methods of developing a strategic recruitment program that would enhance veterinary research in the school. A total of 21 academic research supervisors completed a quantitative survey assessing the associated importance placed on a variety of selection criteria and the level of potential challenges presented in recruiting suitable RHD students. Thirteen of these respondents completed a semi-structured qualitative interview to obtain further information. Respondents rated the motivation levels of potential students as the most important area of concern with regard to the assessment of student suitability, followed by their academic strength and English competency levels. The biggest challenge reported was that of obtaining sufficient funding for research projects and matching that funding to suitable students, followed by the geographical and student culture challenges of a rural campus. During the interviews, interviewees drew attention to the importance of developing a strong research culture in veterinary schools, and there was some concern centered on taking students with diverse cultural backgrounds. These constraints are discussed in light of the development of a broad-ranging strategy for developing an active and effective RHD program within veterinary schools.
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 | 0,059 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,009 |
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 ».