Accuracy and Confidence in Performing Canine Stifle Goniometry was Similar between Simulation-Model or Traditional Textbook Trained Veterinary Students
Notice bibliographique
Résumé
Goniometry is an essential skill used in veterinary rehabilitation settings to monitor orthopedic conditions. Our objectives were to create a normal canine stifle goniometry model and to compare students’ confidence and accuracy in performing goniometry with exposure to either the model or traditional teaching methods. We hypothesized that students would demonstrate goniometry skills more confidently and accurately after using a simulation model than those given traditional materials. A flexible model of a canine stifle was made. Twenty-eight veterinary students (8 clinical, 20 pre-clinical) prepared with either instructional material from a textbook ( n = 15) or access to the stifle model ( n = 13), and then assessed when performing goniometry (live dog). Students completed pre- and post-surveys where they indicated their confidence and anxieties. Statistical analyses included thematic analysis, descriptive statistics, and Chi-square analyses (significant at p ≤ .05). There was no difference in goniometry assessment or anatomy palpation scores between the model and reading groups. Clinical students ( n = 8) achieved higher scores in goniometry assessment ( p = .01) and anatomy palpation ( p = .04). Students were more confident when identifying their anatomical landmarks after using prep materials as compared to before using the prep materials ( p = .03), but only averaged identification of 3 out of 5 landmarks. Half could not correctly read the goniometer. In general, learning with models was preferred by all. There was no difference in learning between the model and textbook, so either can be used based on student preference. Further goniometer instructions should be provided. Anatomy of live dogs should be assessed more frequently pre-clinically.
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 | 0,003 | 0,006 |
| 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 | 0,001 | 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 ».