Investigating Patient Satisfaction Through Web-Based Reviews of Norwegian Dentists: Quantitative Study Using the Meaning Extraction Method
Notice bibliographique
Résumé
BACKGROUND: Challenging encounters in health care professions, including in dentistry, are relatively common. Challenging encounters can be defined as stressful or emotional situations involving patients that could impact both treatment outcomes and patients' experiences. Through written web-based reviews, patients can share their experiences with health care providers, and these posts can be a useful source for investigating patient satisfaction and their experiences of challenging encounters. OBJECTIVE: This study aims to identify dominant themes from patient-written, web-based reviews of dentists and investigate how these themes are related to patient satisfaction with dental treatment. METHODS: The study data consisted of 11,764 reviews written by dental patients, which included 1- to 5-star ratings on overall satisfaction and free-text comments. The free-text comments were analyzed using Linguistic Inquiry and Word Count software, and the meaning extraction method was used to group words into thematic categories. These themes were used as variables in a multilevel logistic regression analysis to predict patient satisfaction. RESULTS: Eight themes emerged from the analyses, of which 6 (75%)-explanation (odds ratio [OR] 2.56, 95% CI 2.16-3.04; P<.001), assurance (OR 3.61, 95% CI 2.57-5.06; P<.001), performance assessment (OR 2.17, 95% CI 1.84-2.55; P<.001), professional advice (OR 1.81, 95% CI 1.55-2.13; P<.001), facilities (OR 1.78, 95% CI 1.08-2.91; P=.02), and recommendation (OR 1.31, 95% CI 1.12-1.53; P<.001)-increased the odds of high patient satisfaction. The remaining themes (2/8, 25%)-consequences of treatment need (OR 0.24, 95% CI 0.20-0.29; P<.001) and patient-centered care (OR 0.62, 95% CI 0.52-0.74; P<.001)-reduced the odds of high patient satisfaction. CONCLUSIONS: The meaning extraction method is an interesting approach to explore patients' written accounts of encounters with dental health professionals. The experiences described by patients provide insight into key elements related to patient satisfaction that can be used in the education of dental health professionals and to improve the provision of dental 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».