Score set da CIF adequado na avaliação da funcionalidade da pessoa idosa
Bibliographic record
Abstract
Objetivo: Verificar um Score Set que permita uma avaliação da condição do idoso, de forma a identificar os cuidados necessários em pessoas idosas residentes na comunidade. Materiais e Métodos: A metodologia utilizada para a elaboração deste trabalho assenta numa revisão integrativa da literatura. A questão de partida utilizando a estratégia PICO: “Qual é o score set da CIF mais adequado na avaliação da funcionalidade da pessoa idosa residente na comunidade?”. Para verificar a qualidade metodológica, recorreu-se à classificação da JBI (2011) para estudos descritivos e às grelhas de avaliação crítica segundo Bugalho e Carneiro (2004). Quanto aos níveis de evidência e sua classificação, foram utilizadas as recomendações da Registered Nurses' Association of Ontario (2007). Resultados: Foi obtida uma amostra de 4 artigos. Sendo que todos eles abordam as componentes da Atividade e Participação, e Funções e Estruturas Corporais da CIF, mas não se centram nos Fatores Ambientais e Pessoais, que surgem como foco importante na vida do idoso. Conclusões: O envelhecimento é um foco atual de cuidados. A CIF como uma linguagem universal permite-nos uma uniformização dos cuidados e personalização, adequação e monitorização dos mesmos.
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 | 0.020 | 0.066 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.007 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.002 |
| 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".