A contribuição da hermenêutica para o trabalho do médico radiologista diante das transformações oriundas da inovação tecnológica
Bibliographic record
Abstract
Resumo: No cenário contemporâneo as máquinas têm substituído o trabalhador. Tal transformação leva a pensar no trabalho do médico radiologista, que necessita hoje de outras habilidades, formas de relacionamento com pessoas e com o conhecimento, sugerindo que somente o conhecimento técnico-instrumental pode não ser mais suficiente, pois a inteligência artificial (IA) figura como uma possível ameaça a este profissional. Contudo, seria uma máquina capaz de substituir o homem na forma de pensar, nas relações interpessoais e em suas análises contextualizadas? Buscando respostas, realizou-se uma pesquisa de natureza teórica, de enfoque qualitativo, com o objetivo geral de compreender e demonstrar a contribuição da hermenêutica para o trabalho do médico radiologista diante das transformações decorrentes da inovação tecnológica. A mente humana precisa ser reorganizada e conduzida a novas formas de pensar. Aposta-se, então, na hermenêutica, principalmente por meio do diálogo, para empoderar o radiologista e assegurar a importância do ser humano no exercício da sua profissão. Palavras-chave: Médico radiologista. Inovação tecnológica. Hermenêutica.
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 | 0.008 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.009 |
| Scholarly communication | 0.013 | 0.005 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.004 |
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".