Bibliographic record
Abstract
Este trabajo, destaca en primer lugar que la calidad de nuestras entrevistas no es lo adecuada que debería ser: interrumpimos al paciente a los 18 segundos de empezar a hablar (Informe de Toronto); el médico y el paciente no están de acuerdo en la mitad de los casos sobre la naturaleza del problema, etc. Por otro lado, resalta las ventajas al mejorar las habilidades de entrevista clínica, como el aumento de la satisfacción en los pacientes, la disminución de las demandas médicas, la mejora de la precisión diagnóstica y la modificación de hábitos. Damos unas ideas generales para mejorar nuestras entrevistas clínicas y proponemos como modelo de mejora la entrevista clínica semiestructurada, introducida por Borrell. Ésta se divide en una fase exploratoria en la que, después del saludo cordial, delimitamos el motivo real de consulta y exploramos las creencias y expectativas del paciente, para lo que utilizamos diferentes técnicas sobre todo de apoyo a la narración del paciente. La fase posterior es la fase resolutiva, con una primera parte informativa que recae sobre todo en el profesional y se basa en técnicas de dar información de la manera adecuada y, en una segunda parte negociadora; ésta es obligada siempre que el paciente dude de nuestras orientaciones. Implica un intercambio de opiniones y una reconversión de ideas hasta llegar a unos acuerdos finales.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.002 |
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 teacher head, 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".