Curriculum Hours and Approaches to Instruction in Veterinary Ophthalmology: A Global Survey of Veterinary Schools
Notice bibliographique
Résumé
Reports regarding curricula in ophthalmology across veterinary schools are not currently available. The objective of this study was therefore to investigate the number of contact hours and approaches to teaching ophthalmology in the curriculum of English-speaking veterinary schools worldwide. An online survey was distributed to 51 veterinary colleges in North America, the United Kingdom, Australia, New Zealand, and the Caribbean. Questions pertained to hours dedicated to didactic and laboratory-based instruction, species used, final-year rotations, in-person compared with online instruction, and effective and less effective approaches to teaching veterinary ophthalmology. Descriptive statistics of the quantitative survey responses and a thematic analysis of the open-ended responses were conducted, respectively. A 71% ( n = 36/51) response rate was recorded, and the average number of American or European board-certified ophthalmologist instructors per veterinary college was 2.33. Total didactic contact hours varied from 6 to 63 hours ( M = 25.6 ± 15.7 hours), and total laboratory contact hours varied from 0 to 153 hours ( M = 25.47 ± 38.17 hours), mainly occurring in the fourth year. Dogs were the most used species in surgical exercises (40%). Final-year rotations occurred in 88% of schools, and 88% of instruction was conducted in person across all schools. Case-based learning, review of basic sciences, and use of video were identified as effective didactic teaching strategies by 72% (26/36), 47% (17/36), and 31% (11/36) of schools, respectively. This report can serve as a reference for future studies guiding curricular delivery in veterinary ophthalmology.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».