Estudo da aplicação de uma pataforma online de reabilitação neurocognitiva nas funções executivas
Bibliographic record
Abstract
Introdução: A reabilitação neurocognitiva (RNC) visa reabilitar as funções cognitivas afetadas por lesão encefálica adquirida (LEA). Este campo requer mais e melhores ferramentas de intervenção e mais evidências do impacto da sua implementação. Objetivos: Este estudo tem como objetivo estudar o impacto de diferentes tarefas na reabilitação neurocognitiva das Funções Executivas (FEs) em pacientes com LEA, através de uma plataforma online, NeuronUP, resultado de Acidentes Vasculares Encefálicos (AVE) e Traumatismo Crânio-Encefálicos (TCE). Métodos: Este estudo foi realizado com 36 pacientes com LEA (18 do sexo feminino), com idades entre 27 e 73 anos (M = 53.39; DP = 11.7). Todos os participantes completaram, pelo menos, 4 anos de educação formal (M = 9.92; DP = 4.70; Mínimo = 4; Máx = 17). Eles foram designados para um dos três grupos, Grupo Experimental (GE), Grupo de Controlo Ativo (GCA) e Grupo de Controlo Passivo (GCP). Os participantes foram avaliados antes e após a intervenção, através de uma bateria neuropsicológica de testes: Montreal Cognitive Assessment (MoCA); INECO Frontal Sreening (IFS); Trail Making Test (A/B) (TMT A/B); Stroop Neuropsychological Screening Test (SNST C/L); e Hospital Anxiety and Depression Scale (HADS A/D). Resultados: O programa de reabilitação neurocognitiva teve um efeito positivo significativo no MoCA, IFS e SNST (C) no GE, do pré ao pós intervenção. A análise comparativa entre os três grupos após a intervenção mostra uma diferença significativa no MoCA, em que o GE revela melhores resultados do que o GCA e o GCP; e entre o GE e o GCP no IFS e no SNST (C), em que o primeiro tem melhor desempenho. Conclusão: Estes resultados preliminares mostram o efeito da reabilitação neurocognitiva, através de uma plataforma online. São necessários mais estudos por forma a obter evidências adicionais da implementação das novas tecnologias neste campo.
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 | 0.006 | 0.033 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".