Desenvolvimento e validação de modelo de simulação para citologia vaginal canina
Bibliographic record
Abstract
Resumo A citologia vaginal é um procedimento de diagnóstico amplamente utilizado. É principalmente ensinado por observação, quer em aulas presenciais, quer através de vídeos. Até agora, os simuladores de citologia vaginal nunca tinham sido avaliados em Medicina Veterinária. Vinte e cinco estudantes sem experiência prévia neste procedimento foram distribuídos aleatoriamente em dois grupos, que praticaram o procedimento num simulador ou num animal. Após assistirem a um vídeo tutorial, os estudantes praticaram com o simulador/animal durante duas aulas. Três semanas depois, realizaram uma citologia vaginal num animal e o procedimento foi gravado. Esses vídeos foram avaliados através dum formulário de Exame Clínico Objetivo Estruturado (OSCE) por um observador cego para o treino prévio dos estudantes. A aprendizagem foi comparada através dos resultados no OSCE. O modelo de simulação foi feito por impressão 3D, com silicone macio para os lábios vulvares e com vaselina de cor rosa e azul nos locais corretos e incorretos para a colheita. O modelo era barato, replicava com precisão o aparelho reprodutor da cadela e fornecia feedback imediato aos estudantes, que obtinham zaragatoas rosa ou azuis consoante recolhiam material nos locais corretos e incorretos, respetivamente. Segundo os estudantes, eram necessárias 3 a 5 ou mais tentativas para aprender adequadamente o procedimento, o que justificava a necessidade dum simulador. Os dois grupos apresentaram resultados idênticos no OSCE. O modelo de simulação foi eficaz para a aprendizagem da colheita de citologias vaginais, substituindo o uso de animais. Este modelo de baixo custo deveria ser incorporado no kit de ferramentas das aulas de Reprodução Animal. This translation was provided by the authors. To view the original article visit: https://doi.org/10.3138/jvme-2022-0141
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".