Comparison of Three Canine Models for Teaching Veterinary Dental Cleaning
Notice bibliographique
Résumé
Veterinary dental cleaning prevents and treats periodontal disease, one of the most common diagnoses in small animal practice. Students learn to perform dental cleaning through deliberate practice, which can be gained through working on models. This study compared educational outcomes after students ( n = 36) were randomized to practice on one of three dental cleaning models: a low-fidelity ceramic tile, a mid-fidelity three-dimensional (3D) printed canine skull model, or a high-fidelity canine head model. Students provided survey feedback about their model and later performed a dental cleaning on a canine cadaver head while being video-recorded. Experts ( n = 10) provided feedback on each model. Experts agreed that all models were suitable for teaching dental cleaning, but the 3D skull and full head models were more suitable for assessing student skill ( p = .002). Students were also more positive about the realism and features of those two models compared to the tile model. Students practicing on each of the models were equally effective at removing calculus from the cadavers’ teeth. Students who learned on the tile model were a median of 4 minutes slower to remove calculus from their cadaver’s teeth than students who trained on the canine head model. Although students may be more accepting of the 3D skull and full head models, all three models were equally effective at teaching the skill. Experts approved all models for teaching, but recommended the 3D skull or full head model if student skills were to be assessed. Low-fidelity models remain effective training tools with comparable learning outcomes.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».