Equine-Assisted Learning—An Experiential, Facilitated Learning Model for Development of Professional Skills and Resiliency in Veterinary Students
Notice bibliographique
Résumé
Stress has been identified as a major obstacle for students in DVM training programs and can be associated with a high incidence of anxiety and depression among students. Interventions for stress reduction and improved self-confidence have been introduced at many veterinary schools with the intention of increasing resiliency among students and improving skills for wellness to be used throughout a veterinary career. Equine-assisted learning (EAL) is a facilitated, reflective discussion method based on interpretation of equine behavior in a group experiential setting that has been used to improve confidence, self-assurance, verbal and nonverbal communication, focus, mindfulness, and coping strategies in populations of students, medical students, corporate groups, and career professionals. We worked with the Cummings School equine teaching herd to develop an EAL course offered as a weekly class to veterinary students in spring and fall semesters since 2018. Our course was modeled after one offered to medical students at the University of Arizona and Stanford University, using progressively more complex equine handling exercises over the course of the semester. Our goal was improved communication, focus, and self-awareness among students to help reduce stress and improve resiliency. Outcome surveys showed that the students found a safe space to share anxieties, concerns, and challenges and learn professionalism skills. Incidentally, they also reported improvement in their equine handling skills. We advocate the use of EAL principles and the use of veterinary teaching horses to reduce stress and improve resiliency and equine handling skills among veterinary students.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».