What to Teach in Small Animal Veterinary Orthopedics: A Survey of Practicing Veterinarians to Inform Curriculum Development
Notice bibliographique
Résumé
Competency-based veterinary education focuses on the knowledge and clinical skills required to generate a productive and confident practitioner. Accurate identification of clinically relevant core competencies enables academic institutions to prioritize which new and foundational information to cover in the limited time available. The goal of this study was to aggregate the opinions of veterinary practitioners about small animal core competencies in veterinary orthopedics. An online 20-question survey was distributed with questions regarding respondent demographics, education, practice type, caseload, involvement in orthopedic procedures, access to referral hospitals, frequency of orthopedic condition presentation and procedure performance, and proposed percent allocation of various orthopedic curriculum topics. Responses were included from 721 respondents, largely first-opinion veterinarians (81%, n = 580/721). The majority (58%; n = 418/721) of respondents performed less than 10% of the orthopedic surgeries themselves and, 37% ( n = 266/721) reported never performing orthopedic surgery; of those performing surgeries, 78% ( n = 354/455) performed less than six orthopedic procedures monthly. The five most common orthopedic conditions seen included generalized osteoarthritis, patellar luxation, cranial cruciate ligament disease, hip dysplasia/arthritis, and muscle/tendon injuries. Median respondent scores for the percentage that a topic should compose in an ideal orthopedic curriculum were 20% each for “orthopedic exam” and for “non-surgical orthopedic knowledge,” 15% each for “non-surgical orthopedic skills,” “orthopedic imaging (radiographs),” and “surgical orthopedic knowledge,” 10% for “surgical orthopedic skills,” and 2% for “advanced orthopedic imaging.” Based on these results, a curriculum focusing on the most clinically relevant orthopedic conditions with an emphasis on diagnosis establishment and non-surgical treatments is proposed.
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 | 0,004 | 0,012 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».