Learning by Concordance as a Tool for Paediatric Dental Traumatology Education
Notice bibliographique
Résumé
INTRODUCTION: A learning by concordance (LbC) tool including 33 vignettes was developed jointly by teachers from the Y and the University of X to train undergraduate dental students in paediatric dental traumatology. The aim of this work was to present a learning tool not yet described in the community of dental educators. The method was presented on two different electronic platforms to two groups of students. Different modalities were compared. METHODOLOGY: International panellists were asked to detail their reasoning for resolving ambiguous or complex situations described in clinical vignettes. Two groups were approached: a first group composed of students new to LbC (Y group) and a second group that had already experienced this type of learning method (X group). The modalities of training management differed according to the groups: Y group used the Wooclap platform and responded on a 5-modality Likert scale, while X group used Moodle and a 3-modality Likert scale. Student volunteers were able to complete a qualitative survey about the training. The main indicator used was students' opinions and feelings about different aspects of the tool. RESULTS: The training was completed by 121 students, 53 of whom agreed to give their opinion on the tool. Consistent with current knowledge, we found that novices had difficulty answering a 5-modality Likert scale because of the subtle difference between two close answers. CONCLUSION: This is the first study to introduce a LbC tool in dental education and the results showed a strong interest in this type of pedagogical tool, regardless of the online platform used.
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 | 0,015 |
| 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 ».