Awareness of Veterinary Social Work in Veterinary Professionals
Notice bibliographique
Résumé
Although the specialty field of veterinary social work (VSW) is becoming more prominent within social work education and training programs, there is a lack of awareness of what a VSW professional can do when embedded within the veterinary medicine profession. Social workers often interact with individuals who have companion animals and with veterinary medicine professionals. However, there is a lack of collaborative care, evident in the empirical research and practice experience, between social work and veterinary medicine. Understanding the veterinary profession's awareness of VSW is essential to the development of interdisciplinary collaborations. VSW is a specialized practice of social work that includes four explicit components: 1) grief and loss of pets; 2) compassion fatigue and well-being of veterinarian professionals; 3) animal-assisted interventions; and 4) the link between animal abuse and interpersonal violence. A researcher-created survey was distributed to veterinary practice affiliates connected with a college of veterinary medicine ( N = 100). The aims of this anonymous Qualtrics survey were to: 1) explore veterinary professionals’ understanding of the concepts of VSW; 2) identify which resources, needs, and support veterinary medicine professionals need for the four components of VSW; and 3) determine if veterinary professionals desire a social worker in their settings to collaborate. The results demonstrated a lack of awareness of concepts by veterinary professionals of VSW. Respondents also expressed a desire for increased social work presence in their veterinary practice. This study highlights the importance of incorporating VSW into veterinary medical training to increase interprofessional collaborations and interventions.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».