A digitális fonokardiográfia szerepe a kutyák szívhangjainak hallgatózásos vizsgálatának oktatásában
Bibliographic record
Abstract
Absztrakt Sok állatorvostanhallgatónak esik nehezére a szívhangok helyes értelmezése. Kutatásunk célja a digitális fonokardiogramokat felhasználó online, tanterven kívüli oktatás hatásának felmérése volt a hallgatók szívhangok felismerésével kapcsolatos diagnosztikai képességeire. Harminchat véletlenszerűen elosztott állatorvostanhallgató hallgatott meg és értelmezett 10 hangfelvételt élettani szívhangokról (2), szívzörejekről (4) és szívritmuszavarokról (4) egy négyhetes periódus elején és Végén. Huszonkét hallgató vett részt DPCG-ket felhasználó képzésben, egy önképző oldal (n = 12) és egy online webinar (n = 10) keretein belül. A két teszten elért eredményeiket egy kontrollcsoportéval vetettük össze (n = 14), akik nem vettek részt tanterven kívüli képzésben. Bár az elő- és utótesztek pontszámai nem különböztek szignifikánsan a csoportok között, mindkét oktatásban résztvevő csoport szignifikáns csoporton belüli javulást mutatott a két teszt között (p = 0,023, p = 0,037), míg a kontrollcsoport nem (p = 0,49). Bár egyik csoport sem ért el javulást az élettani szívhangok felismerésében és szívritmuszavaroktól való elkülönítésében, mindkét csoportban javulást láttunk a szívzörejek felismerésében és azonosításában, valamint az észlelt szívritmuszavarok azonosításában. Eredményeink alapján a hallgatók hallgatózásos vizsgálattal kapcsolatos diagnosztikai képességei javíthatóak tanterven kívüli oktatással, akár élő álatok igénybevétele nélkül is. További, nagyobb elemszámmal végzett, valamint DPCG-t nem használó oktatómódszereket alkalmazó kutatás szükséges a DPCG-k szerepének pontos meghatározásához. Egy emelt elemszámmal végzett kutatás lehetővé tenné továbbá egy kombinált oktatott csoport létrehozását, mérhetővé téve a két módszer kumulatív hatását. This translation was provided by the authors. To view the original article visit: https://doi.org/10.3138/jvme-2021-0097
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.085 | 0.013 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".