Simulação virtual na educação em enfermagem na América Latina e Caribe: estudo bibliométrico
Bibliographic record
Abstract
Objetivo: examinar as características da produção científica da América Latina e Caribe a respeito da simulação virtual na educação em enfermagem. Métodos: estudo bibliométrico conduzido em cinco etapas: delineamento de pesquisa, compilação de dados bibliométricos, análise, visualização e interpretação; e reportado a partir das recomendações do Preferred Reporting Items for Bibliometric Analysis (PRIBA). A busca foi conduzida na Literatura Latino-Americana e do Caribe em Ciências da Saúde (LILACS). Utilizou-se o VOSviewer version 1.6.20 para análise bibliométrica. As Leis de Bradford e Zipf foram aplicadas para a interpretação dos dados, na medida em que foi considerada a dinâmica temporal de publicações, abordagem analítica da estrutura dos estudos selecionados e suas repercussões no campo da simulação virtual na educação em enfermagem na América Latina e Caribe. Resultados: foram localizados 579 estudos, dos quais 46 compuseram a amostra final. Os estudos incluídos foram publicados entre 1994 e 2022, sendo que apenas Brasil, Chile, Colômbia e Cuba realizaram pesquisas relacionadas à simulação virtual. O mapa semântico resultou em cinco clusters, destacando “treinamento por simulação” como o termo de maior força. Conclusão: observa-se tendência crescente no desenvolvimento de estudos relacionados à simulação virtual na educação em enfermagem na América Latina e Caribe.
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 | 0.017 | 0.049 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.015 | 0.034 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.006 | 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".