MétaCan
Menu
Retour à la cohorte
Enregistrement W2950942253 · doi:10.21815/jde.019.111

Do Factors from Admissions and Dental School Predict Performance on National Board Exams? A Multilevel Modeling Study

2019· article· en· W2950942253 sur OpenAlexaffabout
Saad Chahine, Rachel A. Plouffe, Harvey A. Goldberg, Kathy Sadler, Nadine Drosdowech, Richard N. Bohay, Bertha García, Robert Hammond

Notice bibliographique

RevueJournal of Dental Education · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueMedical Education and Admissions
Établissements canadiensChildren's Hospital of Eastern OntarioUniversity of TorontoWestern University
Organismes subventionnairesnon disponible
Mots-clésMultilevel modelCohortPredictive validityMedicineEducational measurementCompetence (human resources)PsychologyFamily medicineDemographyClinical psychologyCurriculumStatisticsSocial psychology

Résumé

récupéré en direct d'OpenAlex

The aim of this study was to assess the association among admissions variables, dental school performance, and licensing exam performance for six cohorts of graduates of one dental school. Data from all dental school graduates of Schulich School of Medicine & Dentistry, Western University, Canada, from 2009 to 2014 who had matching National Dental Examining Board of Canada (NDEB) data (N=298) were analyzed. In the results, significant differences between cohorts were found on both the NDEB objective structured clinical examination (OSCE) and written scores. Approximately 18% of the variation in OSCE scores was attributable to cohort differences and 82% to student differences. Approximately 10% of the variation in written scores was attributable to cohort differences and 90% to student differences. Several multilevel models were conducted. The final predictive model for NDEB OSCE scores consisted of age, Canadian Dental Aptitude Test (DAT) reading comprehension scores, year 2 average, and year 4 average. For predicting NDEB written exam scores, the final model consisted of DAT chemistry and year 1, 2, and 4 averages. The findings of this study showed that academic performance on admissions variables and in training predicted performance on dental licensing exams, whereas variables that captured noncognitive or interpersonal skills, such as interview scores, were not predictive. This difference may be due to construct mismatch, such that the outcome variables had no theoretical association with the predictors. Additional outcome measures (including noncognitive) are needed that have greater ecological validity in predicting potential for competence in practice.

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)0,007
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,152
Score d'incertitude au seuil0,303

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,018
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,004
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,001
Communication savante0,0020,002
Science ouverte0,0020,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,040
Tête enseignante GPT0,360
Écart entre enseignants0,320 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations7
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Dental EducationMême sujetMedical Education and AdmissionsTravaux en français237 207