Immersive Reality–Based Training Simulator for Dental Extraction: Protocol for a Randomized Pilot Trial
Notice bibliographique
Résumé
BACKGROUND: Dental students' competencies are shaped by their training, yet traditional methods with mannequins often lack the depth necessary for comprehensive understanding, potentially impacting clinical proficiency. Immersive reality (IR) innovatively offers interactive and scenario-based environments that may enhance skill acquisition. OBJECTIVE: This study evaluates the effectiveness of IR-based training implementation in comparison with conventional training methods for dental extractions. METHODS: A prospective multicenter randomized clinical trial was conducted. Students were randomized to either IR-based training on open and closed extractions or conventional hands-on tutorials by oral surgeons. Post training, participants' satisfaction and understanding were assessed and analyzed. RESULTS: As of September 2025, 60 students from Hasanuddin University, Makassar, and Padjajaran University, Bandung, have been enrolled, and study enrollment will be expanded to Universitas Sumatera Utara, Medan. Data collection is ongoing and will conclude in November 2025, with expected dissemination in early 2026. CONCLUSIONS: IR-based training offers a novel approach that may boost motivation, knowledge retention, and skill transfer in dental education. This pilot protocol explores IR's feasibility and potential to advance dental students' competencies. TRIAL REGISTRATION: Indonesian Clinical Research Registry INA-QES4CC5; https://ina-crr.kemkes.go.id/en/studi/207. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/74978.
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 | 0,033 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,069 | 0,010 |
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 ».