MétaCan
Menu
Retour à la cohorte
Enregistrement W3036228864 · doi:10.5539/jel.v9n4p38

Changing Landscapes in Higher Dental Education

2020· article· en· W3036228864 sur OpenAlexvenueno aff
Jamshaid Mansoor

Notice bibliographique

RevueJournal of Education and Learning · 2020
Typearticle
Langueen
DomaineDentistry
ThématiqueDental Research and COVID-19
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDental educationCurriculumMedical educationAdaptation (eye)Higher educationPsychologyMedicinePedagogyPolitical science

Résumé

récupéré en direct d'OpenAlex

Skills and development: The way undergraduate dental students have been taught and their methods of learning have evolved over decades. Education methods and needs: Perhaps the most rapid and exponential changes have been in the last two decades with the introduction and utilisation of digital media platforms and social media capabilities. Academic and clinical aspects of dentistry are divided within the curriculum, but less consideration and logic are exercised when focusing on the methods of delivering education and the students’ own preferences, capabilities and adaptation towards learning. Technology and dental education and what we believe: In higher education, closed questionnaires were provided to both dental students (50) and teachers (10) relating to delivery methods and their beliefs regarding education techniques available. Opinions regarding these methods still differ amongst dental teachers and students, with an affinity from the dental students towards the use of emerging technology available in dentistry. However, the questionnaires revealed both groups preferred education via direct care on patients more than any other method of education. Conclusion: The literature would indicate some progress made within the dental profession relating to the use of digital media, advanced technology and improved dental software, however, this has not yet been transferred to dental higher education, despite an accessible and obvious availability of modern resources and techniques.

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)0,005
score de la tête « metaresearch » (Gemma)0,004
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: aucune
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,084

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0140,016
Communication savante0,0190,008
Science ouverte0,0010,014
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0250,002

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 Opus0,032
Tête enseignante GPT0,355
Écart entre enseignants0,323 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Education and LearningMême sujetDental Research and COVID-19Travaux en français237 207