Tradução e adaptação de um software de treinamento da escuta no ruído para o português brasileiro
Bibliographic record
Abstract
RESUMO Objetivo Traduzir e adaptar o software Logiciel d’Écoute dans le Bruit - LEB, verificar sua efetividade e jogabilidade em um grupo de escolares sem queixas auditivas e/ou de aprendizagem. Métodos A efetividade foi investigada por meio da análise do desempenho de dois grupos pareados, antes e depois do treinamento, no teste de fala comprimida. O grupo treinado (GT), constituído por 22 escolares, entre 9 a 10 anos de idade, recebeu treinamento com o software e o grupo controle (GC), composto por 20 escolares da mesma faixa etária, não recebeu nenhum tipo de estimulação. Após o treinamento, os sujeitos do GT responderam a uma avaliação qualitativa sobre o software. Resultados Os comandos foram compreendidos e executados com facilidade e eficácia. O questionário revelou que o LEB foi bem aceito e estimulante, proporcionando novos aprendizados. O GT apresentou evoluções significativas, em comparação ao GC. Conclusão O êxito na tradução, adaptação e jogabilidade do software fica evidenciado pelas mudanças observadas na habilidade de fechamento auditivo, sugerindo sua efetividade para treinamento da percepção da fala no ruído.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| 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".