Students Needing Remediation in Pre-Clinical Course Failures in a DVM Program: A 10-Year Analytic Study
Notice bibliographique
Résumé
Remediation of pre-clinical course failures in the DVM program at Purdue University College of Veterinary Medicine began in 2010. We set out to understand whether some students were more likely than others to use remediation opportunities and succeed. Student demographics, undergraduate (UG) experiences, including institution attended and major studied, UG performance as measured by grade point average (uGPA), and extent of academic difficulties in DVM years 1−3 were studied at univariate levels to determine which students more often failed ≥1 courses, remediated ≥1 courses, and were successful in all remediation attempts. Among 815 students in DVM classes 2014–2023, 157 failed ≥1 courses. Risk factors associated with failing ≥1 courses and with unsuccessful remediation were identified using multiple logistic regression analysis. Unsuccessful remediation, resulting in student's academic attrition, was defined as not succeeding at remediation of all failed courses, including being ineligible for or not attempting remediation. Risk factors were considered statistically significant at p value <0.05. Lower uGPA, having attended a minority-serving institution, and being an underrepresented minority or an international student were associated with increased likelihood of failing ≥1 courses. However, the only factors associated with unsuccessful remediation were failing ≥3 courses in DVM years 1–3 and failing at least one course in DVM year 1. No demographic or UG educational background is associated with unsuccessful remediation. Taken together, our models suggest that being at risk of failing ≥1 courses in DVM years 1–3 did not inevitably put students at risk of attrition when remediation opportunities were provided. However, an increasing number of course failures and failures beginning in DVM year 1 increased the risk of unsuccessful remediation. Early intervention to minimize academic difficulties in DVM program may mitigate risk of student attrition.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».