Teaching and Assessment of Clinical Reasoning Skills in a Case-Based Veterinary Cardiology Elective
Notice bibliographique
Résumé
Clinical reasoning (CR) is an important clinical competency for effective veterinary practice. We hypothesized that implementing an explicit 7-week CR curriculum taught in a large-enrollment elective veterinary cardiology course would improve students' awareness of clinical reasoning principles, self-efficacy of CR skills, and application of CR principles in clinical case analyses. A secondary aim was to assess the impact of peer review as a means of providing feedback in a large classroom setting. A mixed method approach was used with veterinary students ( N = 78) in a cardiology elective course meeting twice weekly for a half-semester (7 weeks). Course content included a 1-week introduction to CR led by the instructor and 6 weeks of instructor-facilitated, case-based learning. Quantitative and qualitative data were collected, including pre- and post-course surveys, weekly peer reviews for six clinical case assignments, and instructor-graded clinical cases for three case assignments. Students reported improved self-efficacy across all CR skill categories ( p < .001) and significant improvement in applied CR skills was demonstrated in both peer- ( p < .001) and instructor-graded assignments ( p < .001). Peer reviews provided a means for students to reflect on and internalize CR skills, which may play a role in improved self-efficacy. In an elective cardiology course, implementing an explicit CR curriculum resulted in improved student awareness and self-efficacy of CR, as well as improved applied CR 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.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».