DESENVOLVIMENTO DE APLICATIVOS PARA A NUTRIÇÃO: UMA REVISÃO SISTEMÁTICA
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
A rápida evolução tecnológica transformou dispositivos móveis em ferramentas essenciais para o ensino e aprendizado, especialmente na área da saúde, onde aplicativos educacionais têm contribuído para aprimorar a qualidade da assistência nutricional. As Tecnologias da Informação e Comunicação (TICs) facilitam a coleta, o processamento e o compartilhamento de dados, favorecendo a disseminação do conhecimento e a promoção de hábitos saudáveis. Este estudo teve como objetivo analisar o desenvolvimento de softwares voltados à nutrição e suas implicações sociais, por meio de uma revisão sistemática realizada entre abril e maio de 2024, conforme as diretrizes do protocolo PRISMA 2020. As buscas foram conduzidas nas bases PubMed, SciELO e Periódicos CAPES, considerando publicações entre 2014 e 2024. Utilizaram-se descritores do MeSH e termos livres combinados pelos operadores booleanos “AND” e “OR”: (“Nutrition” AND “Mobile Applications”) OR (“Software Development” AND “Food” AND “Apps”). Foram incluídos artigos originais, revisões e estudos de desenvolvimento de software publicados em inglês, português e espanhol. Dissertações, resumos, duplicatas e estudos sem metodologia definida foram excluídos. O risco de viés foi avaliado pela Escala Newcastle-Ottawa adaptada, e o protocolo foi registrado no PROSPERO (CRD42024540962). Das 461 publicações encontradas, apenas 5 atenderam aos critérios de elegibilidade. Os resultados indicam escassez de estudos sobre aplicativos voltados à nutrição, embora a tendência de desenvolvimento seja crescente. Conclui-se que aplicativos nutricionais podem auxiliar na promoção de escolhas alimentares saudáveis, ainda que apresentem limitações metodológicas e de precisão dos dados.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.003 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 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 it