Bibliographic record
Abstract
O artigo aborda os desafios em torno da necessidade de conceber e implantar uma cultura de avaliação. São discutidas as relações e diferenças entre pesquisa avaliativa, avaliação normativa e tomada de decisão. A análise mostra que a capacidade de institucionalização da avaliação como instrumento para melhorar o sistema de saúde é paradoxal, pois supõe que a informação produzida contribua para uma racionalização dos processos de decisão. Postula-se que o grau em que os resultados de uma avaliação são levados em conta pelas instâncias decisórias varia de acordo com a credibilidade, fundamentação teórica e pertinência das avaliações. Observa-se que atores que ocupam diferentes posições não conseguem chegar a um consenso quanto à pertinência dos resultados produzidos pela avaliação. Para fazer com que a avaliação esteja no cerne das estratégias de transformação do sistema de saúde, sugere-se criar condições para um julgamento avaliativo verdadeiramente crítico, com a implementação de estratégias que favoreçam a formação e o aprendizado, o debate, a reflexão e a abertura de novas frentes de intervenção. Institucionalizar a avaliação implica antes de tudo se questionar a capacidade da avaliação de produzir as informações e julgamentos necessários para ajudar as instâncias decisórias a melhorar o desempenho do SUS.
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 | 0.045 | 0.076 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.008 | 0.010 |
| Scholarly communication | 0.023 | 0.014 |
| Open science | 0.004 | 0.015 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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".