Actividades profesionales confiables (APROC): un enfoque de competencias para el perfil médico
Bibliographic record
Abstract
La implementación de la educación basada en competencias ha revolucionado de manera global la forma de aprender y enseñar medicina. Las competencias corresponden a las atribuciones que todo médico debe de poseer, y surgieron a partir de las Canadian Medical Education Directives for Specialists y el Accreditation Council for Graduate Medical Education (ACGME). Para lograr su adquisición, ha sido necesario implementar las actividades profesionales confiables (APROC), término acuñado por Ten Cate y Scheele, cuya finalidad ha sido vincular el concepto de competencias con la práctica. Se trata de actividades clínicas que los aprendices deben realizar para lograr dominarlas sin supervisión. El Milestone Project creado por el ACGME surgió para enriquecer las competencias, y cada especialidad debe definir las propias y decidir el nivel de desempeño que espera de sus alumnos en cada año de la especialidad. Para lograr aplicar las APROC es necesario que su diseño sea acorde con los objetivos del plan de estudios y requisitos del perfil del graduado. Diversas instituciones educativas de diferentes países han implementado este innovador modelo de enseñanza, entre los que destacan Canadá, Estados Unidos, Reino Unido, Australia, Nueva Zelanda y Países Bajos. El propósito de este artículo es difundir nuevas propuestas para la educación médica que logren vincular el perfil de competencias con la práctica clínica rutinaria, para que los facultativos logren empoderamiento de estas nuevas herramientas y las puedan aplicar de manera eficiente en la enseñanza de los estudiantes, y una de éstas son las APROC.
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 | 0.010 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.012 | 0.005 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".