Digitalização e Impressão Tridimensional de Crânio Canino como Ferramenta Educacional para Estudo Anatômico
Bibliographic record
Abstract
Este trabalho teve como objetivo padronizar a digitalização e impressão 3D de crânios de cães para uso educacional e avaliar a eficácia de modelos anatômicos impressos na disciplina de anatomia do curso de medicina veterinária. Os crânios foram selecionados para escaneamento e criação dos modelos impressos 3D modelados por fusão de deposição (FDM) utilizando acrilonitrila butadieno estireno. Após uma aula teórica sobre anatomia do crânio os modelos impressos 3D e os modelos reais do crânio de cães foram apresentados aos 140 alunos durante a aula prática de ossos. Uma avaliação prática de osteologia foi realizada após um mês que consistiu na identificação de estruturas anatômicas dos ossos do crânio identificados por alfinetes. Os alunos foram divididos em duas turmas para a realização da avaliação; o primeiro grupo fez os testes usando os crânios reais, enquanto o segundo grupo os crânios impressos 3D. O desempenho dos alunos foi avaliado conforme as suas performances no exame prático. No final da disciplina, eles foram convidados a responder a um breve questionário sobre suas experiências individuais. Os resultados do estudo demonstram que as estruturas anatômicas dos crânios impressos 3D eram semelhantes aos crânios reais. Não houve diferença significativa quando se analisou o grau de acertos e erros durante a realização do exame entre aqueles que identificaram as estruturas nos crânios reais ou nos impressos 3D. Conclui-se que é possível construir um acervo dinâmico digital e impresso tridimensional (3D) para estudos da anatomia comparada da espécie canina a partir de crânios reais, e que os crânios 3D podem ser usados como uma excelente ferramenta alternativa ao ensino na anatomia veterinária.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".