Integrating Generative Artificial Intelligence in Clinical Dentistry: Enhancing Diagnosis, Treatment Planning, and Procedural Precision Through Advanced Knowledge Representation and Reasoning
Notice bibliographique
Résumé
Generative artificial intelligence (GAI) is poised to transform clinical dentistry by enhancing diagnostic accuracy, personalizing treatment planning, and improving procedural precision. This study integrates logic programming and entropy within knowledge representation and reasoning to generate hypotheses, quantify uncertainty, and support clinical decisions. A six-month longitudinal questionnaire was administered to 127 dentists, of whom 119 provided valid responses across four dimensions: current use and knowledge (CUKD), potential applications (PAD), future perspectives (FPD), and challenges and barriers (CBD). Responses, analyzed with both classical statistics and entropy-based measures, revealed significant differences among dimensions (p < 0.01, η2 = 0.14). CUKD, PAD, and FPD all increased steadily over time (baseline means 2.32, 3.06, and 3.27; rising to 3.75, 4.51, and 4.71, respectively), while CBD remained more variable (1.87–3.87). The overall entropic state declined from 0.43 to 0.31 (p = 0.018), reflecting reduced uncertainty. Statistical and entropy-derived trends converged, suggesting growing professional clarity and cautious acceptance of GAI. These findings indicate that, despite persistent concerns, GAI holds promise for advancing adaptive and evidence-driven dental practice.
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 | 0,009 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».