Regulação da gestão do trabalho em saúde na pandemia de covid-19: Brasil, Canadá e Portugal
Bibliographic record
Abstract
Resumo Ao considerar os desafios para implementação de medidas emergenciais relativas à gestão da força de trabalho na pandemia da covid-19, este estudo documental e qualitativo reuniu documentos oficiais produzidos pelos governos do Brasil, do Canadá e de Portugal para enfrentamento dessa doença relacionados à regulamentação da gestão do trabalho em saúde de 2020 a 2022 e descreveu as intervenções propostas. A pesquisa contemplou 31 normativas, cuja análise foi guiada pelo documento Health workforce policy and management in the context of the Covid-19 pandemic response e revelou mudanças na organização estrutural dos ambientes, alocação e realocação de profissionais, uso de tecnologias de informação e comunicação em saúde para adequar decisões organizacionais e orientar o trabalho. Como similaridades, destacam-se recomendações para se reorganizarem ambiente e condições de trabalho e minimizar a exposição a riscos de contaminação pelo Sars-CoV-2. Distinguiram-se no Canadá reforços na atenção primária à saúde e financiamento excepcional do trabalho remoto. Portugal optou por adequações nas relações trabalhistas, flexibilização da contratação de profissionais estrangeiros e voluntários aposentados. O Brasil recomendou recrutamento de residentes e estudantes da área da saúde. Os achados comuns sugerem evidências de caminhos para o fortalecimento de políticas de gestão do trabalho em saúde no cenário pós-pandemia.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".