Live Podcasting as an Educational Intervention in Dentomaxillofacial Radiology: Controlled Cohort Study
Notice bibliographique
Résumé
Background: Podcasts are increasingly used in health professions education; however, most formats are asynchronous and noninteractive. Didactically grounded, synchronous implementations in dental curricula are scarce. Objective: This study aims to design, implement, and evaluate a synchronous, case-based live podcast (LP) as a didactic teaching format in dentomaxillofacial radiology. Methods: In a controlled cohort study with 2 third-year cohorts (N=41), the intervention group (IG; n=21, 51%) received weekly case-based LP sessions in addition to standard teaching, while the control group (CG; n=20, 49%) received standard teaching only. Acceptability was evaluated 6 months postcourse using the 27-item student evaluation questionnaire and open-text responses. Knowledge was assessed immediately after the course with a 21-item radiology knowledge test, and after 6 months, with a 15-item interdisciplinary clinical application test. Results: The primary outcome was student-reported acceptability of the LP format. It was rated highly by students in the Student Evaluation Questionnaire (mean out of 10: structure 9.76, interactivity 9.62, interdisciplinary relevance 9.55). Qualitative feedback was assessed highlighting motivation, authenticity, and discussion quality. In the radiology knowledge test, no group differences were observed (IG: n=21, 51% vs CG: n=20, 49%; P=.37). In the interdisciplinary clinical application test, the IG outperformed the CG in restorative dentistry (median 5, IQR 4-5 vs median 4, IQR 3-5; P=.02; r=0.38) and in item-level analysis (15/21, 71% vs 40%; P=.04; φ=0.64). Conclusions: The LP format represents a feasible, scalable, and low-threshold approach to fostering clinical reasoning in dental curricula, particularly at the transition to clinical training. While radiology-specific theoretical competencies did not differ between the groups, students consistently rated the LP as more engaging and motivating compared to standard lectures.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».