Opetuksen vaikutus valokovetuksen laatuun eri valmistajien valokovettajilla
Bibliographic record
Abstract
Tutkimuksen tavoitteena on tutkia opetuksen vaikutusta yhdistelmämuovipaikkojen valokovetuksen laatuun käyttämällä neljää erilaista valokovettajaa. Lisäksi tutkimuksessa perehdytään eri valokovettajien eroihin. Tutkimuksen hypoteesina on, että valokovetuksen laatu paranee opetuksen myötä. Toisena hypoteesina on, että jokainen osallistuja valokovettaisi jokaisella valokovettajalla yli 10 J/cm2 sekä etualueella että taka-alueella. \n \nTutkimuksessa käytettiin hyväksi MARC-PS-simulaationukkea (MARC-PS™, BlueLight, NS, Canada). Laitteessa on sensorit d27:n okklusaalipinnalla ja dd11-21 approksimaalivälissä. Approksimaalivälissä etäisyys sensoriin hampaan pinnalta on 1 mm ja d27:ssa etäisyys sensoriin on 4mm. Tutkimuksessa on mukana 50 hammaslääketieteen opiskelijaa, joista jokainen suorittaa valokovetuksen kaikilla 4 valokovettajalla MARC-PS-simulaationuken molempiin sensoreihin. Valokovetuksessa välittynyt energia (J/cm2) mitattiin ja analysoitiin. Opiskelijoilla ei ollut tietoa tutkimuksen tarkoituksesta ennen tutkimuksen alkua. Ensimmäisen valokovetuskerran jälkeen osallistujille kerrottiin tutkimuksen tarkoitus ja heille annettiin henkilökohtaista opetusta valokovetuksesta. Toisen kierroksen jälkeen tuloksia verrattiin keskenään. Simulaatioiden lisäksi jokaiselle valokovettajalle tehtiin thermopile-mittaus, josta saatiin luotettavat tulokset jokaisen valokovettajan maksimaalisesta tehosta. Valokovettajista otettiin myös sädeprofiilit, joista käy ilmi valon jakautumisen valkokovettajan kärjen päässä. \n \nTuloksissa oli huomattavaa vaihtelua (2,9-26,8 J/cm2). Ennen- ja jälkeen-tuloksia verrattaessa huomataan, että jälkeen-tulokset olivat merkitsevästi parempia (p<0.05). Tulokset paranivat 1,6 J/cm2 (13%) 10 s valokovetuksen aikana. Jälkimmäisissä kovetuksissa 14% oli vähemmän kuin 10 J/cm2. Tuloksissa käy myös selville, että valokovetajien välillä oli tilastollisesti merkitseviä eroja (p<0.05). Jokaisella valokovettajalla vaadittiin taka-alueella pidempi valokovetusaika, mikä johtuu etäisyyden kasvamisesta sensoriin. Vain ensimmäinen hypoteeseista todettiin oikeaksi. \n \nValokovettajien välisten erojen voidaan olettaa johtuvan valokovettajien tehoista, valon jakautumisesta ja muotoilusta. Tuloksien perusteella voidaan sanoa, että osa hammaslääkäreistä ei osaa käyttää valokovettajaa riittävän hyvin ja heidän taitojaan pitää parantaa. Opetuksen jälkeen tulokset paranevat merkittävästi.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.050 | 0.014 |
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".