Can oral health technology assessment promote evidence-based decision making in undergraduate dental faculties?
Bibliographic record
Abstract
Objectifs: Pour étudier l'effet de Oral Health Technology Assessment (OHTA) sur Evidence-Based Decision Making (EBDM) dans le programme de premier cycle de médecine dentaire. Méthodes: Cette étude a été réalisée à deux niveaux: 1) la revue de la littérature où les bases de données électroniques, y compris PubMed, MEDLINE, EMBASE, Cochrane Library, et CINHAL ont été fouillés, et 2) Une évaluation des besoins au moyen des entrevues avec des membres du corps professoral et diplômés stagiaires pour une évaluation systématique des technologies dentaires a été réalisée à l'Université McGill, faculté de médecine dentaire. Résultats: Notre évaluation préliminaire de l'évaluation des technologies dentaires dans les facultés canadiennes révèle un modèle de décisions prises au hasard, sans concerne envers l'adoption et l'utilisation de EBDM dans les programmes de premier cycle des facultés médecine dentaire. En plus, il n'y a aucune preuve de intégration de EBDM ou l'évaluation systématique des technologies dentaires dans les facultés dentaires. Conclusion: Dans la limite de cette étude, nos résultats suggèrent que l'évaluation systématique des technologies dentaires peuvent aider les facultés de médecine dentaire à intégrer EBDM dans leur curriculum et que les comités d'évaluation des technologies pourrait fournir aux membres du corps professoral et les étudiants les derniers développements dans les technologies dentaires qui peuvent être adaptés dans les curriculum dentaires.
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 | 0.111 | 0.378 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.013 | 0.007 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
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".