Bibliographic record
Abstract
Contexto: Una de las tareas nucleares que se asignan a los profesores clínicos es capacitar a los estudiantes para escoger entre un grupo de características que presenta un paciente y asignar con precisión una etiqueta diagnóstica con el objetivo final de desarrollar una estrategia de tratamiento apropiada. Durante los últimos 30 años se ha debatido considerablemente en el seno de la literatura en Educación en Ciencias de la Salud, sobre el modelo que mejor describe cómo los clínicos expertos generan decisiones diagnósticas. Propósito: El propósito de este ensayo es proporcionar una revision bibliográfica de la investigación sobre razonamiento clínico. Los puntos fuertes y débiles de las diferentes aproximaciones del razonamiento clínico se examinarán usando una de las principales divergencias se da entre los modelos de estrategia de razonamiento analítico (p.ej., consciente / controlado) versus estrategias de razonamiento no analítico (p.ej., inconsciente / automático). Como marco de referencia orientativo. Discusión: Trabajos recientes sugieren que los profesores clínicos deberían destacar la importancia de ambas formas de razonamiento, dando como resultado la capacitación de los estudiantes para ordenar los procesos de razonamiento de manera flexible y específica de contexto. Se extraen las implicaciones específicas para los profesores clínicos de primera línea.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.013 |
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; both teacher heads agree on what is shown here.
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".