E-learning em emergências médicas para estudantes de Odontologia
Bibliographic record
Abstract
Este estudo comparou duas pedagogias de ensino para lidar com emergências médicas em consultas odontológicas e avaliou o conhecimento de alunos do curso odontologia sobre emergências médicas. Este ensaio clínico randomizado envolveu 54 alunos do último ano do curso de odontologia da Universidade Federal de Santa Maria, divididos em dois grupos: alunos que receberam instrução por meio de aula expositiva tradicional presencial; e alunos que receberam a mesma instrução por meio do formato de ensino a distância. Os alunos foram alocados aleatoriamente aos grupos pelo site randomiser.org. Os dados foram obtidos por meio da comparação das pontuações recebidas pelos alunos ao responder a um questionário semiestruturado contendo indagações sobre implicações éticas e legais, e diagnóstico e manejo de emergências médicas em consultório odontológico antes e após a instrução. Antes da instrução, 96% dos alunos dos dois grupos desconheciam as implicações éticas e legais relacionadas à obrigação do dentista em lidar com emergências médicas. Após a instrução, os dois grupos aumentaram seus conhecimentos de forma semelhante, pois não houve diferença significativa na comparação entre o aprendizado sobre emergências médicas por meio de palestras e por meio do formato e-learning. Ambos os métodos de ensino apresentaram resultados satisfatórios, o que torna o método e-learning uma opção como estratégia didática.
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 | 0.017 | 0.047 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".