METODOLOGIAS ATIVAS PARA EDUCAÇÃO EM SAÚDE E TRABALHO EM GRUPO COMO FERRAMENTA DE REABILITAÇÃO PÓS COVID-19
Bibliographic record
Abstract
A Covid-19 é uma infecção multissistêmica que pode acarretar permanência de sequelas emdecorrência do acometimento de tecidos vitais, quadro clínico intitulado Síndrome pós-Covid19. Este trabalho objetiva descrever a experiência do uso de metodologias ativas em saúde nodesenvolvimento das atividades de educação em saúde de um grupo de reabilitação pós-Covid-19. Trata-se de estudo descritivo com abordagem qualitativa, tipo relato de experiência,desenvolvido em 2021, por residentes de programa multiprofissional em atenção básica nonordeste brasileiro. Foram utilizadas metodologias ativas para potencializar informações emsaúde, observadas alterações multissistêmicas persistentes, estabelecida conduta parareabilitação clínico-funcional, buscando ganhos em participação e engajamento dos usuários.Logrou-se êxito com a abordagem em reabilitação por equipe interprofissional na atençãobásica, empregando estratégias de metodologias ativas, com competências voltadas à educaçãona saúde. Conclui-se que as metodologias ativas possibilitaram melhor interação entreusuários e profissionais da saúde, favoreceram fortalecimento do vínculo entre equipe eusuários e, ainda, melhor adesão às orientações recebidas. Dada a pertinência e importância dasíndrome pós-covid, acreditamos que a experiência apresentada amplie a temática nasresidências em saúde e contribua com mais saúde à população.
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 | 0.012 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".