Effectiveness of E‐Learning in Oral Radiology Education: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
E-learning has been used recently in dental curricula to support traditional learning methods. However, the published literature concerning e-learning in oral radiology has shown mixed conclusions. The aim of this systematic review was to provide a synthesis of the effectiveness of e-learning in oral radiology education when compared with traditional classroom learning methods. A search of the literature was conducted on the LILACS, PubMed, Science Direct, Scopus, and Web of Science databases. Trials registries were also consulted for ongoing trials, and a partial grey literature search was conducted. Controlled trials about oral radiology education that compared any e-learning method with a control group using any traditional classroom instruction method were included. E-learning effectiveness was measured using three outcomes from Kirkpatrick's model of evaluation: attitudes about e-learning, knowledge gain, and performance on clinical procedures. Data were analyzed descriptively. Qualitative appraisal was performed according to the Cochrane risk of bias tool for randomized trials and MINORS tool for non-randomized trials. Eleven studies met the inclusion criteria. Risk of bias was identified related to the selection procedures, blinding, lack of sample size calculation, and incomplete analyses. Ten studies reported that students had positive attitude when using e-learning. Results from the knowledge gain outcome were mixed. Only two studies examined performance on clinical procedures, showing contrasting results. The evidence reviewed in this study suggests that e-learning in oral radiology is at least as effective as traditional learning methods and that students have positive attitudes about e-learning.
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.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle