The CEC Model: A Practical Framework for Building Competence, Efficiency, and Confidence in Veterinary Surgical Education
Notice bibliographique
Résumé
Veterinary surgical education requires more than technical instruction. To prepare graduates for real-world performance, learners must develop three interdependent domains: competence, efficiency, and confidence. While essential to clinical readiness, these areas are often addressed inconsistently across curricula and teaching environments. This manuscript introduces the Competence, Efficiency, and Confidence (CEC) Model, a practical and experience-based framework designed to support surgical skill development through structured instruction. Developed through over twelve years of teaching in preclinical laboratories, live-animal procedures, and post-graduate training programs, the CEC Model defines competence as consistent, safe surgical technique grounded in sound clinical judgment; efficiency as the ability to perform procedures in an organized, timely, and effective manner; and confidence as the readiness to act independently and adapt under pressure. These domains are cultivated through repeated practice, clear expectations, targeted feedback, and psychologically safe learning environments. Drawing on established educational theory including experiential learning and deliberate practice, the model offers instructional strategies such as scaffolded autonomy, focused coaching, and guided reflection. It bridges the gap between broad competency frameworks and task-specific training tools by offering a developmental structure for surgical education. The CEC Model emphasizes intentional teaching, learner mindset, and relational support as core to surgical growth. Adaptable across clinical, simulated, and post-graduate settings, it offers a practical framework for cultivating technically skilled, efficient, and confident veterinary surgeons, while also opening new opportunities for research on instruction, learner development, and the role of mindset in surgical performance.
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 | 0,014 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,017 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».