Development and evaluation of a learning object focused on factors that might interfere on the radiographic image
Bibliographic record
Abstract
Considerando as dificuldades apresentadas pelos estudantes de odontologia na obtenção de imagens radiográficas de qualidade, o presente estudo teve por objetivos desenvolver e avaliar um objeto de aprendizagem (OA) no qual o usuário possa simular exposições radiográficas, modificando os fatores que interferem na qualidade da imagem radiográfica. Para este estudo exploratório descritivo, 48 radiografias periapicais foram obtidas da região posterior de uma mandíbula humana seca, com diferentes combinações de kVp/mA, sensibilidade do filme, distância focal e tempo de exposição. A cada imagem foi atribuído um texto sobre sua qualidade, aplicabilidade ao diagnóstico e, se necessário, sugestões ou questões sobre ajustes requeridos. Na tela do OA os estudantes podem simular situações combinando os diferentes fatores até que obtenham o melhor resultado. Para a avaliação do OA, 64 alunos de graduação foram divididos em dois grupos. Todos os alunos participaram da aula teórica e realizaram um teste. Na semana seguinte o Grupo 1 executou exercícios práticos e o Grupo 2 utilizou o OA, ambos respondendo a um segundo teste. Na terceira semana os grupos inverteram as atividades e foi aplicado o terceiro teste. Um questionário aberto foi respondido por todos os alunos com intuito de avaliar qualitativamente o OA. Não houve diferença estatisticamente significante quanto aos acertos nos testes entre os grupos. O OA não melhorou o desempenho dos estudantes em testes, porém foi considerado como uma metodologia muito boa, que estimula o aprendizado. A utilização do OA somou-se aos exercícios práticos, melhorando no aprendizado dos fatores que podem interferir na imagem radiográfica.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".