Case-Based E-Learning Tool Affects Self-Confidence in Clinical Reasoning Skills Among Veterinary Students—A Survey at the Norwegian University of Life Sciences
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Veterinary education plays a crucial role in equipping veterinarians with the necessary skills and knowledge to navigate the challenges they will face in their professional careers. As part of enhancing the veterinary students’ training in clinical reasoning, an online electronic veterinary clinic was introduced to a group of students during their final semester. This platform, called Veterinary eClinic, provides access to digital, real-life clinical cases, allowing students to apply their knowledge and develop critical thinking skills in a practical context. In this research project, the veterinary students were asked to assess how confident they felt in different clinical tasks related to a clinical investigation before and after using Veterinary eClinic. An exploratory sequential mixed-methods design was used when collecting data. The students answered pre- and post-use questionnaires, and semi-structured interviews were conducted to elaborate on the quantitative results. Our results showed that the students were significantly more confident in making a problem list ( p = .005), completing diagnostic tests ( p = .022), making a diagnosis ( p = .041), and performing assessments of animal welfare in the clinic ( p = .002) after solving different clinical cases in Veterinary eClinic. As much as 97% of the respondents reported that Veterinary eClinic was a valuable learning resource in veterinary education, to a fairly large or very large extent. Our findings suggest that the use of a case-based e-learning tool might contribute to increased self-confidence in clinical reasoning skills.
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.
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 | 0,021 | 0,008 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle