Bibliographic record
Abstract
Desde la revolución “flexneriana” de hace 100 años hubo muchos intentos de cambios en la enseñanza de la medicina y surgieron nuevas tendencias generales en educación médica. Principalmente surge la necesidad de superar el modelo biomédico clásico hacia uno más centrado en la persona (y en la sociedad). El curriculum tiende a ser más competo e integral, con la incorporación de aspectos comunitarios, de integración de dimensiones clínicas y de habilidades interpersonales. La planificación curricular se adapta mejor a las necesidades del estudiante y de la sociedad. La admisión de los estudiantes y su selección, busca hacerse más inclusiva, equitativa, y basada en la ciencia de la evaluación. Aparecen modelos de universidades virtuales que seguramente en el futuro serán exitosas, a partir del rápido desarrollo de simuladores, de nuevas tecnologías de la información y del uso de redes sociales. Hay muchos ejemplos de modelos mixtos de aprendizaje a distancia y actividades presenciales (blendede-learning). Se incorpora la concepción de entrenamiento y formación multiprofesional e interprofesional, e incluso la integración de la formación de pregrado y de posgrado en algunas escuelas de acuerdo a la orientación elegida. La evaluación de los saberes y las competencias profesionales tienden a hacerse cada vez más descriptivas, con énfasis en la reflexión y en las habilidades metacognitivas, y utilizan tests sofisticados (OSCE, miniCEX, Script Concordance Tests). La formación docente tiende a ser más longitudinal, reflexiva, interactiva y favoreciendo el compromiso personal y profesional como elemento de aprendizaje. En definitiva muchos aspectos de la educación médica está cambiando y las nuevas tendencias se van imponiendo como un medio de adaptarse a las nuevas realidades sociales.
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 | 0.013 | 0.060 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.018 | 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 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".