‘First, do no harm’: systematic program evaluation of an equine veterinary service-learning initiative with Indigenous communities in Canada
Notice bibliographique
Résumé
BACKGROUND: Veterinary students have historically lacked meaningful experiential learning opportunities in equine medicine. At the same time, there are barriers to accessing veterinary care in Indigenous communities stemming from colonial injustices. In 2018-2019, a partnership was initiated where University of Calgary students began to provide equine veterinary services to Indigenous communities. As the first-documented equine veterinary service-learning initiative in Indigenous communities embedded in a veterinary curriculum, the purpose of the study is to systematically evaluate the program for its potential impact as part of a formative process for improvement. METHODS: Multiple parties in the program were engaged in a convergent, parallel, mixed-methods systematic program evaluation to explore the main program outcomes: (1) equine veterinary care; (2) clinical experiential student education; (3) cultural training of veterinary professionals and students; and (4) education of community members. The hypothesis was that ethical development using the "first, do no harm principle" would lead to benefits including a healthy horse population, a technically and culturally competent veterinary community, and an educated horse clientele. RESULTS: The program had a positive impact on accessibility to veterinary care and self-reported improvement in veterinary and cultural competency. In addition to the hypothesized program outcomes, additional program outcomes and effects were identified, including reciprocal learning and relationship building with the Indigenous community, leading to trust and equity-building. The students learned from both the in-community programming as well as the Indigenous community members they worked with. CONCLUSION: Program evaluation of an equine service-learning initiative in Indigenous communities reveals multiple and profound impacts including improved patient health status, wider scope of veterinary and cultural learning, strengthened relationships, and reciprocal learning with partnering Indigenous communities.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».