A Novel Performance Gaps Analysis and Objective-Setting Framework for Veterinary Students in a Workplace-Based Distributed Model of Clinical Training
Notice bibliographique
Résumé
This article presents the implementation of an individualised learning outcome (LO)-setting framework that is based on individual performance data at the University of Surrey School of Veterinary Medicine and showcases a best practice model for outcomes-based education. Designed to align student learning with the Royal College of Veterinary Surgeons (RCVS) Day One Competences, the framework empowers students to identify and address specific knowledge and skill gaps through a structured and data-informed process. Drawing on a range of performance indicators, including global performance assessments, structured oral examinations, skills logs, and personal reflections, the model ensures that LOs are both targeted and achievable. Unlike traditional student-led approaches, which often lack consistency and alignment with core competences, this framework introduces a more rigorous and tailored learning experience. Key to its success is the involvement of tutors who provide scaffolding and guidance to help students formulate meaningful and realistic objectives, which fosters greater engagement with clinical training and enhances readiness for practice. Although the approach offers substantial educational benefits, including improved relevance and personalisation of learning, its implementation requires careful consideration of staff workload and sustainability. To address this, strategies such as automation and virtual support are proposed. Further research is encouraged to evaluate the long-term impact of performance-led learning on student engagement during clinical rotations and subsequent graduate outcomes. Overall, this initiative represents a significant step forward in veterinary education, demonstrating how personalised, performance-informed learning can better prepare students for clinical placements and help them tailor the learning opportunities to meet their individual needs.
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 | 0,043 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,014 | 0,009 |
| Science ouverte | 0,007 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».