Misconceptions amongst dental students: How can they be identified?
Notice bibliographique
Résumé
AIM: To compare the frequency of misconceptions amongst dental students resulting from assessments in different subject areas using different types of multiple-choice questions (MCQs). We wanted to know whether misconceptions, or strongly held incorrect beliefs, differed by subject area or question type. METHODS: A total of 104 students completed two assessments that included 20 MCQs on endodontics and 20 MCQs on dental implants. On each examination, 10 questions were scenario-type questions requiring interpretation or analysis and 10 questions were factual-based, knowledge questions. Incorrect responses and confidence levels by student and subject were recorded for a comparison of average misconceptions by question type and for correlations between scenario and knowledge question types for misconceptions on both assessments. RESULTS: Students were overly confident on their incorrect responses and misconceptions for both assessments. On the endodontic examination, students held a statistically significant higher number of mean misconceptions on scenario questions than for knowledge questions, but the difference was not statistically significant for the dental implant examination. There was a moderately weak relationship between scenario and knowledge questions for misconceptions on the endodontic (r=.31) and dental implant (r=.20) assessments, suggesting students who have misconceptions on knowledge questions are somewhat more likely to have misconceptions on scenario questions. CONCLUSION: Students had a consistent rate of overconfidence (75%) in their incorrect responses regardless of question type or dental subject. Questions that prompted a higher per cent of incorrect responses were more likely to detect misconceptions, as students were highly confident in their mistakes, for both assessments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».