El Examen Clínico Objetivo Estructurado (ECOE) en la evaluación de competencias de comunicación y profesionalismo en los programas de especialización en Medicina
Bibliographic record
Abstract
Los programas de especialización médica consideran a la comunicación y profesionalismo como competencias que debe tener un médico especialista. El objetivo de esta revisión fue evaluar la utilización de la simulación clínica como instrumento de entrenamiento y evaluación de las competencias profesionalismo y comunicación en los programas de especialización médica. La Evaluación Clínica Objetiva y Estructurada (ECOE) evalúa el aprendizaje y es recomendada por sistemas de acreditación internacional como el Royal College of Physicians of Canada que elaboró los estándares Canadian Medical Education Directives for Specialist (CanMEDS) y el Comité de acreditación de los programas de postgrado de los Estados Unidos de América, Accreditation Council for Graduate Medical Education (ACGME). Para la evaluación de competencias de comunicación y profesionalismo, el ECOE aplica escenarios de simulación clínica validados que permiten una evaluación formativa y sumativa en los programas de especialización. El ECOE puede ser implementado como instrumento de evaluación de competencias en los programas de especialización de Perú.
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 | 0.050 | 0.108 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".