Influence of virtual reality simulation (excluding augmented reality) on endodontic learning experiences of undergraduate dental students: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Virtual Reality (VR) technology has demonstrated a promising prospect for enhancing endodontic learning in undergraduate dental students by boosting their procedural skills, accuracy, and confidence. AIM: To systematically evaluate the effectiveness of virtual reality (VR) simulation in endodontic education among undergraduate dental students, with a specific focus on four key outcomes: procedural accuracy, enhancement of student confidence, reduction in procedural errors, and overall learner satisfaction. METHODS: An exhaustive literature search was carried out in December 2024 in PubMed, Cochrane Library, Embase, Scopus, and ClinicalTrials.gov. Randomized controlled trials (RCTs), quasi-experimental studies, and cross-sectional studies published between 2010 and 2024 were included in the review. Risk of bias was appraised as follows: Cochrane Risk of Bias 2.0 (RoB2) tool for RCTs; Newcastle-Ottawa Quality Assessment Scale adapted for cross-sectional studies; National Institute of Health (NIH) Quality Assessment Tool for before-and-after studies; and the Methodological Index for Non-Randomized Studies (MINORS) tool for non-randomized studies without a comparator group. RESULTS: Fifteen studies were included in the final analysis. VR-based training showed statistically significant differences between the pre and post-test scores regarding procedural accuracy and efficiency for tasks at the end of endodontics. These results showed that VR training leads to greater confidence and skill levels in students than traditional approaches, improved retention of knowledge, and a reduction in errors. Advantages notwithstanding, limitations around cost and accessibility were observed. CONCLUSION: VR simulation is an effective, valuable tool in the endodontic education toolbox. Further studies should assess cost-effectiveness and long-term clinical performance effects.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».