GAMIFICAÇÃO PARA TRATAMENTO DE DISTÚRBIOS VISUAIS, O VILÃO SE TORNA HERÓI
Bibliographic record
Abstract
A tecnologia proporciona diversas possibilidades e pelo seu acesso simples as pessoas aderiram de forma acentuada ao seu uso. De modo que isto trouxe consigo algumas consequências, especialmente para a visão, pelo excesso de tempo de uso das telas e games. Existe uma considerável parte da população que utiliza aparelhos eletrônicos intensamente para realizar suas tarefas diárias, seja para se relacionar com outras pessoas, para trabalhar com diversos tipos de telas. Essa utilização pode se tornar exacerbada e ocasionar alguns malefícios devido a exposição a luz azul, tais como fadiga ocular, sedentarismo, alteração no ciclo circadiano e o uso exagerado da acomodação, ocasionando estresse e fadiga ocular. A tecnologia pode proporcionar benefícios, podendo contribuir para tratamentos de distúrbios visuais, utilizando o ambiente virtual, ou ainda servindo de ferramenta para documentar as disfunções, objetivando-se de maneira não invasiva melhorar a visão binocular e acuidade visual de forma mais atrativa e interessante que os métodos tradicionais. Através de pesquisas bibliográficas e publicações indexadas nas plataformas Scielo, PubMed e Google Acadêmico, demonstra-se a importância de pesquisas sobre a manutenção e reabilitação de saúde visual.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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".