Evidências da efetividade da aprendizagem baseada em problemas na educação médica: uma revisão de literatura
Bibliographic record
Abstract
A Aprendizagem Baseada em Problemas surgiu em 1969 na Escola de Medicina MacMaster, no Canada. A nova filosofia de ensino envolvia o aprendizado auto direcionado e grupos tutoriais. As Diretrizes Nacionais Curriculares (2014) preconizam a utilizacao de metodologias ativas no Projeto Pedagogico dos cursos de Medicina, de forma a privilegiar a participacao ativa do aluno na construcao do conhecimento. Sendo assim, o metodo ABP (Aprendizagem Baseada em Problemas) se baseando em solucoes de problemas, esta em consonância com as Diretrizes, uma vez que o elemento central e representado pelo aluno. Observando este contexto, a ABP sugere ser um metodo mais vantajoso em relacao ao modelo tradicional de ensino.Esse estudo tem por objetivo apresentar evidencias sobre a efetividade do metodo ABP sob a percepcao dos estudantes e docentes, exclusivamente nos cursos de medicina. Trata-se de uma revisao bibliografica realizada de agosto de 2008 a agosto de 2018. As buscas dos artigos foram feitas nas bases de dados LILACS, MEDLINE, e tambem nas bibliotecas ScieELO e Scholar Google, com os termos: Aprendizagem Baseada em Problemas, Ensino, Medicina, bem como seus correspondentes em ingles. Diante das evidencias encontradas, a ABP se mostra como um metodo efetivo nos cursos Medicina. Contudo, nas atividades do internato os academicos possuem certa dificuldade em continuar o processo de aprendizagem ativo fundamentado na ABP, abrindo caminhos para novos estudos sobre a analise deste fato. Alguns pontos de dificuldade precisam adequar-se para aprimorar ainda mais este metodo de ensino, como a inclusao de quadros clinicos nos problemas do ciclo basico, maior capacitacao do corpo docente para trabalhar com ABP e maior tempo de estudo individual.
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 | 0.075 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.014 | 0.014 |
| Science and technology studies | 0.003 | 0.010 |
| Scholarly communication | 0.014 | 0.011 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 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".