A Comunicação Não Violenta em Saúde: Revisão Integrativa
Bibliographic record
Abstract
A Comunicação não violenta representa um método eficaz de comunicação que engloba a prática da escuta empática e a reformulação das mensagens ao parafrasear o discurso, com base na observação objetiva dos fatos, livre de julgamentos. A adoção de estratégias de comunicação não violenta pode promover um ambiente de saúde mais seguro e colaborativo, diminuindo conflitos interpessoais, fortalecendo o relacionamento profissional-paciente. Nesse sentido, esta revisão pode destacar a relevância de incorporar os princípios da CNV na formação e educação dos profissionais de saúde, levando a uma prática clínica mais humanizada e centrada no paciente. Assim, este estudo teve como objetivo analisar as evidências científicas sobre a comunicação não violenta no contexto da saúde, incluindo estratégias e desafios para sua aplicação na prática profissional. Trata-se de uma revisão integrativa (RI), a qual seguirá as seis etapas delineadas por Toronto e Remington (2020). Para a elaboração da questão de pesquisa foi empregada a estratégia PICo (P = população/problema: pessoal de saúde e pacientes; I = interesse: comunicação não violenta; Co = contexto: saúde. (Stern; Jordan; McArthur, 2014). Resultando , assim, na seguinte pergunta norteadora: “Quais as evidências científicas sobre a comunicação não violenta no contexto da saúde?”. Após a delimitação do tema do RI, na segunda fase, iniciará a busca nas bases de dados para a identificação e seleção dos estudos que serão incluídos. Vale ressaltar que, a busca de dados será realizada pelo sistema CAFe, por meio do periódico da CAPES. A busca será realizada em abril de 2024, de forma independente, por dois pesquisadores, nas bases de dados descritas a seguir : Biblioteca Virtual em Saúde (BVS), PUBMED, SCOPUS, WEB OF SCIENCE e CINAHL. Serão definidos como critérios de inclusão: estudos primários, sem recorte temporal e em qualquer idioma, disponibilizados nas bases de dados pesquisadas e que responderão à questão norteadora. Para encontrar os artigos científicos que compõem a amostra, serão utilizados os Descritores em Ciências da Saúde (DECS) em português, inglês e espanhol: Pessoal de Saúde, Health Personnel, Personal de Salud; Pacientes, Pacientes, Pacientes; Saúde, Saúde, Saúde. Também serão utilizados os descritores do MESH Database: Health Personnel; Pacientes; e Saúde. E, por fim, serão utilizados os termos CINAHL: Pessoal de Saúde; Pacientes/Clientes; Comunicação Não-Violenta; Saúde. Foi constatado, mediante a elaboração da questão norteadora, e dos descritores controlados obtidos do DECS e MESH Database, a necessidade de incluir também descritores não controlados, ou seja, comunicação não violenta. Desta forma, para as bases de dados em que a busca é realizada com descritores extraídos no DECS, será utilizado o descritor não controlado: Comunicação Não Violenta. Já para as bases que utilizam os descritos extraídos no MESH Database, serão utilizadas os não controladas: Non-Violent Communication; Non-Violent Communication; Non-Violent Communication. Para os cruzamentos dos descritores serão usados os operadores booleanos, representados pelos termos conectores AND e OR. Vale ressaltar que será realizado um teste piloto nas bases de dados pré-selecionadas para verificar os possíveis descritores e definir a estratégia de busca final. Realizado a busca nas bases de dados, os artigos encontrados serão transferidos para o software Endnote Online da Clarivate (2024) e em seguida, serão exportados para o software Rayyan® QCRI. A pré-seleção e a seleção serão realizadas por dois revisores às cegas. Os conflitos serão resolvidos em reunião com um terceiro revisor. Na terceira fase, os estudos incluídos na revisão serão avaliados sistematicamente, por meio da classificação dos Níveis de Evidência designados por Polit e Beck (2018). Na quarta fase, será feita a análise e a síntese dos dados, em que será utilizada uma adaptação do “Instrumento de coleta de dados da revisão integrativa de Fernandes (2011) no qual será elencado em dois quadros, e que abrange os dados de identificação do estudo e caracterização do estudo. Para a análise dos dados, será realizada uma estatística descritiva em relação às variáveis de identificação dos estudos. E a caracterização dos estudos será comprovada por meio de categorização. Na quinta fase, haverá a interpretação e a comparação dos dados apontados nos artigos, por meio da interpretação e análise dos resultados. Na sexta fase, terá a divulgação dos resultados do RI. Para a análise dos dados, será realizada uma estatística descritiva em relação às variáveis de identificação dos estudos. E a caracterização dos estudos será comprovada por meio de categorização. Na quinta fase, haverá a interpretação e a comparação dos dados apontados nos artigos, por meio da interpretação e análise dos resultados. Na sexta fase, terá a divulgação dos resultados do RI. Para a análise dos dados, será realizada uma estatística descritiva em relação às variáveis de identificação dos estudos. E a caracterização dos estudos será comprovada por meio de categorização. Na quinta fase, haverá a interpretação e a comparação dos dados apontados nos artigos, por meio da interpretação e análise dos resultados. Na sexta fase, terá a divulgação dos resultados do RI.
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 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.010 | 0.013 |
| Science and technology studies | 0.006 | 0.014 |
| Scholarly communication | 0.022 | 0.013 |
| Open science | 0.004 | 0.010 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.007 | 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".