Exploring and describing current behavioral and social sciences curricula in predoctoral dental programs
Notice bibliographique
Résumé
PURPOSE: To maintain accreditation status, predoctoral dental programs in the United States and Canada are required to train future dentists in the fundamentals of behavioral sciences. Each program independently determines how to fulfill this task, and little information exists on the consistency of training across programs. The purpose of this study was to identify the range of topics currently taught in predoctoral dental programs in the United States and Canada, who teaches them, and the modes of instruction and assessment. METHODS: Invitations to complete an online survey were emailed to faculty responsible for, or familiar with, the behavioral sciences curricula at 75 predoctoral dental programs in the United States and Canada. Questions elicited information on behavioral sciences education at each program, including instructor background, topics taught, instructional and assessment methods, and sources of content. RESULTS: Of those invited, 27 (36%) completed surveys. Per the responses, prototypical behavioral sciences programs usually consist of didactic/lecture format teaching, mostly during the first 2 years of the predoctoral program, by a dentist who assesses students using multiple-choice or true/false exams. The results indicated, however, substantial variation in what is taught, how it is taught, who teaches it, and how it is assessed. CONCLUSIONS: While being a requirement for accreditation, this study demonstrated how behavioral and social sciences topics, teaching strategies, and assessments, along with the individuals teaching those topics varied across predoctoral programs. Consistency, coordination, and clinical integration are possible ways of enhancing behavioral science instruction.
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 | 0,000 | 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 | 0,000 | 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 ».