实施机器学习模型作为牙科教育中临床前研究的定量评估工具
Aybeniz Oguzhan1, Cem Peskersoy1, Elif Ercan Devrimci1
1Department of Restorative Dentistry, Faculty of Dentistry, Ege University, Izmir, Turkey.
Journal of dental education
|September 27, 2024
概括
机器学习在评估牙科学生在修复性牙科中的触觉技能方面显示出前景. 虽然高度可靠,但需要进一步改进,以便在所有程序中进行客观和一致的评估.
科学领域:
- 牙科教育 牙科教育
- 触觉技能评估 触觉技能评估
- 机器学习在牙科中的应用
背景情况:
- 在牙科教育中,开发客观可靠的方法来评估触觉技能至关重要.
- 当前的评估方法可能缺乏一致性,影响技能发展.
研究的目的:
- 调查机器学习 (ML) 方法的有效性和可靠性,以评估牙科学生的触觉技能.
- 将基于ML的评估与传统的考官评估进行比较.
主要方法:
- 150名牙科学生进行了二级合金 (C2A) 和复合树脂修复 (C2CR).
- 使用了直接观察实践技能表格和专家评分.
- 使用结构相似性算法的Python程序分析了修复的标准照片.
- 使用克朗巴赫的阿尔法和卡帕统计数据来评估有效性和可靠性.
主要成果:
- 结构相似性指数 (SSIM) 显示了高的内部检查员可靠性 (C2A的α=0.961,C2CR的α=0.856).
- 在统计学上,SSIM和考官等级之间的兼容性是微不足道的 (p>0.05).
- 观察者一致性几乎是完美的C2A (κ=0.806) 和可接受的C2CR (κ=0.769).
- 在分级特定表面 (C2A的闭口,C2CR的口腔) 中发现了显著的差异.
结论:
- 机器学习,特别是SSIM算法,是评估牙科修复程序中的触觉技能的一个有希望的工具.
- 为了在所有牙科培训场景中完全客观和可靠的基于ML的验证,需要进一步改进和调整.
- 在牙科教育中,ML提供了一种潜在的途径,可以提供一致和客观的反.
