European student wellness, stress, coping, support and perceptions about remote dental training during COVID‐19
Notice bibliographique
Résumé
OBJECTIVES: The aim of this study was to compare wellness, stress, ability to cope, social support and perceptions about remote training amongst European dental students during COVID-19. METHODS: 1795 undergraduate dental students from six countries and eight dental schools participated. The anonymous survey collected data about different aspects in each of the following domains: wellness, stress, ability to cope, social support and perceptions about remote training. Complex multi-item scales were used for all domains. RESULTS: There were differences amongst countries in all the domains. Overall, student stress scores were lower than either their coping or support scores. The highest wellness score (mean ±sd) was observed in Romania: 62.5% ± 11.2% whilst the highest mean stress scores were observed in Albania: 46.3% ± 11.7% and Lithuania: 42.2% ± 13.8%. Overall, student stress and coping ability scores were lower and their support scores higher. About 10% of students did not have any support. In the linear multivariable regression analysis, significant predictors of wellness were being female (β = 0.073), not being in a graduating year (β = 0.059), having less stress (β = 0.222), ability to cope (β = 0.223) and having support (β = 0.179). The student positive perceptions about remote training were predicted by less stress (β = 0.080), coping (β = 0.182) and support (β = 0.057). CONCLUSIONS: Students varied in wellness, stress, coping, social support and perceptions of remote training. Also, there were significant differences amongst students from different countries. Coping was the best predictor of both student wellness and their positive perceptions about remote training.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».