Assessing Dental Students’ Emotions While Treating Uncooperative Children: A Pilot Study
Notice bibliographique
Résumé
Introduction: Dental students often face emotional challenges when managing uncooperative pediatric patients, which may lead to reduced interest in treating children post-graduation, limiting access to pediatric dental care. Objective: This study aimed to examine dental students' emotional experiences while treating uncooperative children and their perceptions of the training provided on behavioral management techniques. Materials and Methods: This cross-sectional survey-based pilot study was conducted at an urban, university-affiliated dental clinic during the 2017-2018 academic year. The target population consisted of 41 third-year dental students in their first year of clinical rotations, from which 29 students completed the survey. Informed consent was obtained, emphasizing voluntary participation or withdrawal. Students were invited to complete an 18-question Likert-scale survey. Access was restricted to their unique university emails, ensuring participation integrity. To avoid academic pressure, a research assistant administered the survey. The survey included questions adapted from established tools such as the State-Trait Anxiety Inventory (STAI) and validated by two pediatric dentistry experts. Responses were analyzed using descriptive statistics and path analysis to explore relationships between stress, training adequacy, and behavioral management perceptions. Results: A majority (75.9%) of students reported stress while treating uncooperative children, with 58.6% experiencing anxiety and 69.0% frustration. Additionally, 13.8% expressed concerns about harming the child. While 51.7% were satisfied with their treatment outcomes, 65.5% indicated needing further behavioral management training. Conclusion: This study highlighted significant stress and anxiety among managing uncooperative pediatric patients. Enhanced training in behavioral management and increased clinical exposure are essential to prepare students for practice confidently.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».