L’impact d’une formation sur le diagnostic et la prise en charge de la carie dentaire, chez des étudiants de première année au DMD
Bibliographic record
Abstract
Objectifs : Déterminer si une formation portant sur l’ICDAS permet d’améliorer la justesse du diagnostic de la carie dentaire, et d’améliorer également la concordance de la prise en charge avec celle suggérée par l’ICCMS, chez des étudiants de première année en médecine dentaire. Méthodologie : Quatorze étudiants divisés en deux groupes de sept étudiants (n=7) ont eu à attribuer un score de sévérité (ICDAS 0-6) et un score de prise en charge (0 = surveillance dans le temps; 1 = traitement préventif; 2= traitement curatif) à 100 dents extraites à deux reprises. Entre les deux collectes, le groupe expérimental a été exposé à une formation en ligne sur l’ICDAS sous le format d’une présentation PowerPoint (l’intervention). Résultats : Il y a une plus grande amélioration de la justesse du diagnostic de la carie dentaire dans le groupe expérimental (p<0.05), comparativement au groupe contrôle (pourcentage d’accord varie de 46% à 57% pour le groupe expérimental et reste à 44% pour le groupe contrôle). Les résultats sont non-significatifs pour l’attribution d’une prise en charge. Conclusion : Une formation en ligne sur le système de détection de l’ICDAS permet d’améliorer la justesse du diagnostic de la carie dentaire chez des étudiants de première année en médecine dentaire. Cependant, les résultats ne sont pas concluants pour l’attribution d’une prise en charge adéquate.
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 | 0.008 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".