Training and experience effect on light‐curing efficiency by dental practitioners
Notice bibliographique
Résumé
BACKGROUND: Light-curing is a crucial step during the application of composite resin restorations. Composite's success depends on delivering enough light energy to the resin to achieve adequate polymerization. However, dentists are not recognizing the importance of proper light-curing technique. OBJECTIVES: To measure light energy delivered to simulated restorations by preclinical dental students and dentists in internship year. To evaluate the effect of experience and training on the clinician's ability to light-cure composite restorations. METHODS: A group of 50 preclinical dental students and a group of 50 internship dentists light-cured for 10 seconds, a simulated class III and class I restorations positioned in a patient simulator (MARC-Patient Simulator [BlueLight Analytics Inc., Canada]) that measured the irradiance and energy delivered by the curing light. Then participants received individualized training on optimizing their light-curing technique. They were retested after the training. Statistical analysis was done with two-way ANOVA and Tukey's test. RESULTS: Participants delivered an average of 60% more energy after the instructions, which is a significant improvement (P < 0.05). The number of participants that failed to deliver the minimum amount of energy (6 J/cm²) decreased significantly from 37.5% to 2.5%. There was a significant difference in the amount of energy delivered by the Preclinical and Internship groups (P < 0.05). CONCLUSION: Initially, many participants were not using the curing light properly. Light-curing technique improved with training and using a patient simulator. Experience can enhance the operator's ability to light-cure composite restorations. However, a training session can improve light-curing performance more than years of experience.
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 | 0,000 | 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 | 0,000 |
| 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 ».