Dental Education About Patients with Special Needs: A Survey of U.S. and Canadian Dental Schools
Notice bibliographique
Résumé
The objectives of this study were to explore how U.S. and Canadian dental schools educate students about special needs patients and which challenges and intentions for curricular changes they perceive. Data were collected from twenty-two dental schools in the United States and Canada with a web-based survey. While 91 percent of the programs covered this topic in their clinical education, only 64 percent offered a separate course about special needs patients. The clinical education varied widely. Thirty-seven percent of the responding schools had a special clinical area in their school for treating these patients. These areas had between three and twenty-two chairs and were funded and staffed quite differently. Most programs covered the treatment of patients with more prevalent impairments such as Down syndrome (91 percent), autism spectrum disorders (91 percent), and motion impairments (86 percent). Written exams were the most common outcome assessments (91 percent), while objective structured clinical examinations (18 percent) and standardized patient experiences (9 percent) were used less frequently. The most commonly reported challenge was curriculum overload (55 percent). The majority (77 percent) planned educational changes over the next three years, with 36 percent of schools planning to increase clinical and 27 percent extramural experiences. The findings showed that the responding U.S. and Canadian dental schools had a wide range of approaches to educating predoctoral students about treating special needs patients. In order to eliminate oral health disparities and access to care issues for these patients, future research should focus on developing best practices for educational efforts in this context.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».