Adaptação cultural e validade de conteúdo do ISTAP Skin Tear Classification para o português no Brasil
Bibliographic record
Abstract
Objetivo: Adaptar culturalmente o ISTAP Skin Tear Classification para a língua portuguesa no Brasil e testar a validade de conteúdo da versão adaptada. Métodos: Três fases compuseram a adaptação cultural: tradução, avaliação por comitê de juízes composto de cinco estomaterapeutas (gerando a validação de conteúdo do instrumento) e retrotradução. O projeto foi aprovado por comitê de ética em pesquisa. Resultados: Duas versões em português do instrumento foram obtidas após tradução e analisadas pelo comitê de juízes, ocorrendo discordâncias apenas em termos específicos utilizados na área, seguidas por sugestões para melhor adequação do vocabulário em saúde. Isso gerou valores baixos do índice de validade de conteúdo. No entanto, a validade de conteúdo foi confirmada após discussão das discrepâncias entre as autoras e alguns membros do comitê de juízes, bem como com uma das autoras do instrumento original, Dra. Kimberly LeBlanc, que também a atestou quando aprovou as retrotraduções dessa versão. Conclusão: Considera-se obtida a versão adaptada culturalmente do ISTAP Skin Tear Classification, com sua validade de conteúdo também atestada. Neste momento, os testes para confiabilidade inter e intraobservadores e validade concorrente estão em fase de finalização, após o que se disponibilizará o instrumento adaptado e validado para o Brasil.
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 | 0.021 | 0.057 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".