Needs assessment for interprofessional education module on prevention and early detection of oral cancer among dental interns: a cross- sectional survey
Notice bibliographique
Résumé
BACKGROUND: The challenges associated with ensuring widespread system changes to enable early diagnosis and prevention of oral cancer could benefit from interprofessional practice. A needs assessment study was conducted to inform the Interprofessional Education and Collaborative Practice (IPECP) course related to oral cancer. The primary objectives of this study were 1) to establish a tool assess the knowledge attitude and practice (KAP) related to prevention and early detection of oral cancer of health professional students, and 2) to assess the same KAP of pre-licensure dental students. Additional objectives were to consider the possibility that dental students would demonstrate good scores related to early detection and prevention of oral cancer thus indicating their readiness for interprofessional learning and collaborative practice. METHODS: Two questionnaires were utilized for this study which included 1) Readiness for interprofessional learning was assessed using the pre- validated tool of Readiness for Interprofessional Learning Scale (RIPLS) 2) A questionnaire to assess the KAP related to early diagnosis and prevention of oral cancer which was developed, validated, and evaluated. Statistical analysis includes, descriptive statistics, Mann-Whitney U test, Ordered logistic regression and Probit analysis. p value was set at < 0.05. RESULTS: A total of 130 dental students (74.6% female) were included in the study. Mean scores related to KAP were 15.96 ± 1.394, 4.70 + 1.146, 7.02 ± 1.019 respectively. The mean score of RIPLS was 73.15 ± 15.961. The probability of overall samples to have good RIPLS scores was around 0.68 to 0.76 (Male 0.68-0.82 & Female 0.68 -0.74). The percentage of students having good knowledge score was 93.8%, good attitude score was around 54.6% and good practice score was around 90%. CONCLUSION: Knowledge and practice related to prevention and early detection of oral cancer were scored highly. Attitude scores were lower in a relatively higher proportion of participants and needed to be addressed in the curriculum. RIPLS score indicates a positive attitude towards interprofessional learning.
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 | 0,000 | 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 ».