Voicing Beliefs on Global Leadership for Dentistry
Notice bibliographique
Résumé
BACKGROUND: Dental leadership in different models of care is not well documented, and therefore the objectives of this study were to explore how dental leaders develop their own leadership and how they engage others to increase access to oral health services as well as to describe perceived challenges in developing coalitions for promoting oral health care. METHODS: We adopted a qualitative descriptive research methodology. We recruited dental leaders using a purposeful sampling approach and a snowball technique. Data were collected using a remote digital platform; we organised semi-structured interviews based on the LEADS conceptual framework. Saturation was reached after 11 interviews. Data analysis included the following iterative steps: decontextualisation, recontextualisation, categorisation, and data compilation. The analysis was performed manually, assisted by the use of QDA Miner software. RESULTS: Fourteen dental leaders participated in the study. Our analysis revealed 3 overarching themes: (I) lead self, with 3 subthemes: leadership insights; leadership traits; opportunity-role model dyad; (II) leadership strategies; and (III) challenges in leadership development, with 3 subthemes: limited engaged practice and workforce, valorise the image of dentistry, and lack of leadership training. CONCLUSIONS: Our research findings showed that, despite a limited scope of leadership in dentistry, the dental leaders recognise its importance and acknowledge the need for formal training and mentorship at different levels. This study identified challenges in dental leadership development that could further orient dental education programmes and support the implementation of evidence-based, high-quality, and efficient oral health services.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».