Construção de tecnologias educativas como forma de educação em saúde para a prevenção da Covid-19: relato de experiência
Bibliographic record
Abstract
Objetivo: Relatar a construção de duas tecnologias educacionais com o tema de “Orientações para a limpeza terminal de transportes coletivos e individuais e uso de Equipamentos de Proteção Individual (EPI) necessário ao trabalhador de limpeza para a prevenção da Covid-19” como forma de combate a pandemia. Relato de Experiência: O presente trabalho trata-se de um estudo descritivo, do tipo relato de experiência, especificamente, sobre a criação de um vídeo e de uma cartilha informativa como forma de combate a covid-19, sendo que tal experiência aconteceu em seis etapas: pesquisa bibliográfica, escolha do tipo de tecnologia, linguagens e recursos gráficos adequados ao público alvo, elaboração da cartilha, elaboração do vídeo e publicação das mídias em aplicativos e redes sociais. Após a divulgação das mídias, foi possível perceber que as mesmas foram bem recebidas pela população. Considerações Finais: Concluiu-se que as tecnologias educacionais virtuais elaboradas são de suma importância para o combate da pandemia de covid-19, uma vez que ações de educação em saúde comunitárias não são eficientes em virtude da fácil contaminação do vírus e necessidade de redução de aglomerações.
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 | 0.015 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.011 | 0.019 |
| Scholarly communication | 0.015 | 0.010 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 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".