Virtual reality simulation of panoramic radiographic anatomy for dental students
Notice bibliographique
Résumé
PURPOSE: This work aimed to utilize virtual reality (VR) in dental radiographic anatomical interpretation in junior dental students and test if it can enhance student learning, engagement, and performance. METHODS: VR software for panoramic anatomy was developed. Sixty-nine first-year dental students were divided into a control group (lecture-based) and an experimental group (VR) to learn panoramic radiographic anatomy. Both groups were then tested on knowledge via a 20-question quiz. Student feedback on VR experience was collected via an online survey. RESULTS: There was a statistically significant difference between lecture-based and VR students in the correct identification of anatomical landmarks. Lecture-based students scored higher in identifying the ear lobe, hyoid bone, condylar neck, and external oblique ridge, whereas VR students scored higher in identifying zygoma (Chi-squared test, p < 0.005). The VR group reported high evaluation on all perception items of the online feedback survey on their experience (Student t-test, p < 0.005). CONCLUSIONS: Lecture-based students generally showed better performance in panoramic radiographic anatomy. Several structures were not correctly identified in both groups of novice students. The positive feedback of VR experience encourages future implementation in education to augment conventional methods of radiographic anatomy in dentistry with considerations to repeated exposures throughout undergraduate dental education.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».