MétaCan
Menu
← Retour à la cohorte
Enregistrement W4386324866 · doi:10.3138/jvme-2022-0120

A Model for Residency Training: The Small Animal Emergency and Critical Care Residency Program at Purdue University

2023· article· en· W4386324866 sur OpenAlexvenueno aff
Elizabeth J. Thomovsky, Paula A. Johnson

Notice bibliographique

RevueJournal of Veterinary Medical Education · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTimelineSpecialtyMedical educationCertificationCurriculumMedicinePsychologyFamily medicineManagementPedagogy

Résumé

récupéré en direct d'OpenAlex

Training residents in any specialty is a balancing act between ensuring high-quality education, making certain the resident meets the requirements set forth by the specialty college to achieve credentials and be eligible to take the board certification examination, and fulfilling clinical duties at that institution. For programs such as this one, residents are integral members of the clinical team, working primary emergency receiving shifts in order to allow the service to function; this leads to a need to identify and protect learning time for the residents. Those involved in the Purdue Small Animal Emergency and Critical Care residency program believe that in the chaos that is emergency and critical care, a firm timeline with attainable checkpoints is crucial to resident success. Such a timeline follows goal-setting theory and provides structure and guidance to candidates to navigate their 3-year program and ensure that they complete all requirements during the residency period. Candidates completing the Purdue program successfully finish their credentials, including at least one first author publication, and have at least one scientific presentation to improve their curriculum vitae. This article serves to present the structure and timelines used by the Purdue Small Animal Emergency and Critical Care program to organize its residency program as an example of a successful program.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,070

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0080,003
Communication savante0,0050,003
Science ouverte0,0010,005
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0210,008

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.

Tête enseignante Opus0,187
Tête enseignante GPT0,450
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Veterinary Medical Education→Même sujetInnovations in Medical Education→Travaux en français237 207→