MétaCan
Menu
Retour à la cohorte
Enregistrement W2322721708 · doi:10.1021/acsbiomaterials.5b00401

Inorganic Fillers for Dental Resin Composites: Present and Future

2015· article· en· W2322721708 sur OpenAlexafffund
Eric Habib, Ruili Wang, Yazi Wang, Meifang Zhu, X. X. Zhu

Notice bibliographique

RevueACS Biomaterials Science & Engineering · 2015
Typearticle
Langueen
DomaineDentistry
ThématiqueDental materials and restorations
Établissements canadiensUniversité de Montréal
Organismes subventionnairesCanadian Institutes of Health ResearchShanghai International Science and TechnologyNatural Sciences and Engineering Research Council of CanadaMitacsCalifornia HIV/AIDS Research Program
Mots-clésMaterials scienceComposite materialWhiskersDental compositeBiocompatibilityFiller (materials)PolymerComposite numberWhiskerPorosity

Résumé

récupéré en direct d'OpenAlex

Dental resins represent an important family of biomaterials that have been evolving in response to the needs in biocompatibility and mechanical properties. They are composite materials consisting of mostly inorganic fillers and additives bound together with a polymer matrix. A large number of fillers in a variety of forms (spheroidal, fibrous, porous, etc.) along with other additives have been studied to enhance the performance of the composites. Silane derivatives are attached as coupling agents to the fillers to improve their interfacial properties. A review of the literature on dental composite fillers seems to suggest that each of the fillers tested presents its own strengths and weaknesses, and often combinations of these yield resin composites with the desired balance of properties. Additives such as nanotubes, whiskers, fibers, and nanoclusters have been shown to enhance the properties of these hybrid materials, and their use in small fractions may enhance the overall performance of the dental resin materials.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,006
Science ouverte0,0010,001
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,004

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,261
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations186
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS Biomaterials Science & EngineeringMême sujetDental materials and restorationsTravaux en français237 207