Development and Implementation of a Veterinary Spectrum of Care Clinical Rotation Aligned with the CBVE Model
Notice bibliographique
Résumé
Spectrum of care (SOC) has recently been described in the literature, yet it is not an entirely new concept within the veterinary profession. Practitioners in general veterinary practice have long needed to provide a broad range of unique care options for their patients and clients, particularly those for whom referral is not possible. More recently, graduates and their employers have reported that new veterinarians often lack the competence and confidence to provide a broad array of care options, while training in ever more specialized tertiary-referral environments. To better prepare veterinary learners to cope with the variable nature of general veterinary practice and to better meet employer demands, The Ohio State University College of Veterinary Medicine purposefully backward designed learning experiences in a new outcomes-based curriculum so that SOC is emphasized and aligned with the foundation offered by the Competency-Based Veterinary Education (CBVE) model. A unique set of subcompetencies and educational goals were collaboratively developed and used to define a new final year rotation, with additional input provided by an advisory panel of practicing SOC veterinarians from private practice. Ideal caseload characteristics, case numbers, appointment length, daily activities, and other elements were defined, and final year student performance was monitored during implementation to assess progress in meeting key developmental milestones. Incorporating spectrum of care training at The Ohio State University shows promise for developing confidence and competence in new graduates, while also increasing their skills, and perhaps improving their mental health.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».