Modelo de Ensino One Minute Preceptor nos Cenários de Urgência e Emergência
Bibliographic record
Abstract
As Diretrizes Curriculares Nacionais para o Curso de Medicina, em vigor desde 2014, definem o internato como período obrigatório nos dois últimos anos de formação, buscando aproximar os estudantes da prática médica e do "saber tratar", onde devem passar por vários cenários de prática, entre eles a urgência e emergência (UE). Essencial nesse cenário é o preceptor, profissional que, ao mesmo tempo que desenvolve atividades assistenciais, acompanha e orienta o estudante. Este trabalho tem como objetivo conhecer o perfil e as necessidades pedagógicas dos preceptores atuantes nos cenários de UE do internato médico da Univassouras (Vassouras-RJ), bem como propor capacitação utilizando o modelo OMP. Realizou-se uma pesquisa de campo com preceptores do HUV. Adotou-se uma abordagem através coleta de dados por questionários e análise das reflexões dos preceptores. A aprovação ética foi obtida junto ao Comitê de Ética em Pesquisa da Universidade de Vassouras. A participação foi de 78% dos preceptores. A análise qualitativa dos discursos é condizente com a literatura e revela a necessidade de formação pedagógica e aprimoramento na integração entre papéis de ensino e atividade clínica, bem como a factibilidade do uso do OMP nesse cenário. Concluiu-se que o perfil de participantes no estudo é de preceptores que valorizam o treinamento pedagógico, mas não têm conhecimento sobre o OMP.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.005 |
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".