Attitudes, Experience, and Self-Confidence of Veterinary and Veterinary Nursing Students in Small Animal Dentistry: A Survey Study
Notice bibliographique
Résumé
Dental issues are extremely common in dogs and cats, underscoring the importance of veterinary professionals’ knowledge in dentistry. Nevertheless, dental problems are currently often underdiagnosed and, consequently, undertreated. This study investigated the attitudes, experiences, and self-confidence of veterinary (V) and veterinary nursing (VN) students in their final 2 years of study in small animal dentistry. An online questionnaire was distributed, and responses were received from 61% of V students ( n = 94) and 41% of VN students ( n = 72). The majority of both V students (61%) and VN students (69%) expressed a desire for more education in small animal dentistry. Furthermore, a minority of V students (20%) and VN students (22%) felt adequately prepared for their first day in practice after graduation. Less than half of the students (V 44% and VN 38%) had participated in a practical dental procedure outside training sessions. Self-confidence in small animal dentistry procedures was rated on a 0–10 scale. V students exhibited the highest confidence in teeth polishing (6.1) and removing tartar with ultrasonic scalers (6.0), while VN students were most confident in recognizing common oral/dental problems (6.0) and discussing dental issues with pet owners (5.3). Extra practical training significantly increased confidence in several dental procedures ( p < .005). Despite positive attitudes, a notable proportion of V and VN students feel unprepared for their first day in practice, potentially stemming from insufficient training. Addressing these gaps through clear guidelines for Day One Competence and enhanced practical training is crucial, ultimately benefiting the well-being of small animals.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».