A utilização de simuladores para o ensino da punção de agulha fina em medicina veterinária
Bibliographic record
Abstract
A punção de agulha fina (PAF) é amplamente utilizada por veterinários, sendo ensinada maioritariamente por observação. Atualmente, considera-se que a utilização de simuladores melhora a aprendizagem de procedimentos práticos. No entanto, simuladores de PAF ainda não foram avaliados em Medicina Veterinária. Cinquenta e um estudantes de Veterinária sem experiência prévia em Citologia foram distribuídos aleatoriamente em dois grupos que usaram um simulador (caixa com nódulos artificiais) e uma peça de fruta (banana). Foi utilizado um desenho de aula invertida com estações: primeiramente, os estudantes observaram um vídeo tutorial sobre a PAF, utilizando em seguida o simulador ou a peça de fruta durante um máximo de 15 minutos. Depois, os estudantes efetuaram o procedimento num modelo animal realista, realizando-se uma avaliação clínica objetiva estruturada (ACOE). A aprendizagem através dos modelos foi comparada por meio de questionários, taxa de aprovação em ACOE e qualidade dos esfregaços obtidos. Após observar o vídeo tutorial, nenhum estudante manifestou ser capaz de fazer a PAF num animal vivo. Por oposição, a maioria revelou ser capaz após a simulação. Os estudantes praticaram mais tempo na caixa (14,8 ± 0,8 min) do que na peça de fruta (8,5 ± 2,2 min). Na avaliação, os primeiros tinham maior precisão na PAF. Ainda assim, não existiram diferenças na taxa de aprovação em ACOE. Portanto, os dois modelos são eficazes para a aprendizagem da PAF, mas a caixa tem vantagens quanto à repetição autónoma da prática. Essa repetição parece ter efeitos positivos na precisão da PAF, o que tem relevância do ponto de vista clínico.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".