Evaluation of Peer Simulations Utilizing Student-Generated Case Studies with Pre-clinical Veterinary Students
Notice bibliographique
Résumé
A novel student-driven model of peer simulations using reverse case studies was developed during the COVID-19 pandemic to provide virtual instruction to fourth-year clinical veterinary students. Focus groups suggested that, while this teaching method could not replace hands-on clinical experience, it could be a valuable tool to clinically prepare students during their pre-clinical curriculum. The primary aim of this study was to determine whether this teaching method enhanced earlier curricular student comfort with clinical reasoning, communication, and peer role play as measured by pre- and post-surveys. A secondary aim was to evaluate clinical reasoning ability using the validated Modified Lasater Clinical Judgment Rubric (MCJR). Eighteen pre-clinical veterinary students participated in a 1-week course where they designed and presented clinical cases and participated through virtual role play as clients, clinicians, and observers. Our results demonstrated that students’ comfort in clinical reasoning and peer role play significantly improved ( p < .001 and p = .003, respectively) after participating in this activity. The role perceived to be the most helpful at developing clinical reasoning and communication skills was clinician, followed by client then observer. Results from the MCJR found significant discrepancies between facilitator scoring and student self- and peer-assessment ( p < .001). Common themes emerged including the benefits of engaging in self-reflection, peer-to-peer learning, experiencing case ownership and autonomy, and practicing communication and clinical reasoning skills. This teaching method provides a valuable alternative to client simulators and suggests having students create a case as a client offers a unique educational opportunity.
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 | 0,016 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».