L’enseignement de la justice sociale en médecine dentaire à l’Université de Montréal : une analyse qualitative et modélisation théorique
Bibliographic record
Abstract
Introduction: La justice sociale, l’empathie et la responsabilité sociale sont des thèmes émergents en médecine dentaire. Plusieurs facultés de médecine dentaire ont commencé à incorporer ces concepts dans leur curriculum, mais nos connaissances sur l’efficacité de ces initiatives sont limitées. L’objectif de cette étude était de comprendre comment les étudiants et enseignants perçoivent l’enseignement de la justice sociale en médecine dentaire au premier cycle. Méthodes : Nous avons effectué une recherche qualitative en utilisant des entretiens semi- dirigés avec des étudiants, professeurs et cliniciens de la Faculté de médecine dentaire de l’Université de Montréal. Nous avons recruté 18 participants en utilisant un échantillonnage déterministe jusqu’à saturation. Les entrevues ont été enregistrées et retranscrites intégralement. Elles ont ensuite été codées avec le logiciel QDA Miner 5.0 (Provalis 2016). Une analyse thématique a été entreprise pour dégager les thèmes émergents en utilisant une méthodologie qualitative. Résultats : Cinq thèmes ont émergé des résultats. Certains étudiants étaient plus enclins à s’intéresser à la justice sociale et à participer aux activités communautaires facultatives. L’enseignement actuel comporte des lacunes incluant un manque d’exposition à certains plans de traitements alternatifs. Certaines barrières à l’enseignement ont été identifiées, le plus important étant un manque de temps dans le curriculum. L’enseignement souhaité de la justice sociale inclurait une prise de conscience accrue et une participation active des étudiants, une prise de responsabilité pour motiver l’action et produire un changement. L’application de la justice sociale en médecine dentaire se traduit par des soins accessibles et adaptés au patient. Conclusion: Les résultats de cette étude fournissent des pistes de réflexion pour le développement d’un curriculum de justice sociale qui pourra être évalué et validé, dans le but de former des dentistes socialement compétents qui prodigueront des soins axés sur le patient.
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 | 0.022 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.012 | 0.011 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".