Qualitative analysis of small animal veterinarian–perceived barriers to nutrition communication
Notice bibliographique
Résumé
OBJECTIVE: Nutrition is important in preventing and managing disease. Veterinarians are an important source of nutrition information; however, nutrition communication between veterinarians and pet owners is relatively infrequent. The purpose of this study was to conduct a qualitative review of barriers to nutrition communication and possible solutions, reported by small animal veterinarians. SAMPLE: 18 veterinarians from Maryland, Michigan, Virginia, Washington DC, and West Virginia. METHODS: In a qualitative focus group study, 5 virtual focus groups using the Zoom platform were conducted from February 3, 2021, to April 2, 2021. Each focus group was audio recorded, and transcripts were created using Otter.ai software. Transcripts were analyzed in Atlas.ti qualitative data analysis software using a hybrid of inductive and deductive thematic analysis. RESULTS: The 4 barriers to nutrition communication identified by veterinarians were as follows: (1) time, (2) misinformation and information overload, (3) pet owners' apprehension toward new information, and (4) veterinarians' confidence in nutrition knowledge and communication skills. Potential solutions include (1) improving communication and nutrition education, (2) improving and increasing access to client-friendly resources, and (3) empowering credentialed veterinary technicians and support staff to discuss nutrition. CLINICAL RELEVANCE: This study provides guidance for how to focus efforts to break down barriers to nutrition communication in small animal veterinary practice.
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 | 0,023 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».