O uso de aplicativo como estratégia complementar na terapia fonoaudiológica em um caso de distúrbio cognitivo da comunicação
Bibliographic record
Abstract
RESUMO Com o crescimento da população idosa, evidencia-se um aumento da incidência de doenças comuns a essa faixa etária, como as demências. Esforços para aprimorar a qualidade dos cuidados em saúde a esses pacientes, incluindo os cuidados fonoaudiológicos, têm crescido. Este estudo objetiva avaliar a efetividade e a aplicabilidade do aplicativo Talk Around It como estratégia complementar na terapia fonoaudiológica em um caso de distúrbio cognitivo da comunicação. O participante foi avaliado pré e pós-terapia fonoaudiológica por meio de protocolos padronizados de avaliação da linguagem. A terapia teve como foco principal a redução de anomias. O aplicativo Talk Around It foi selecionado como recurso terapêutico complementar para alcançar esse objetivo. Na avaliação pós-terapia observou-se melhora ou manutenção dos escores dos subtestes da Bateria Montreal-Toulouse de Avaliação da Linguagem-Brasil: Nomeação oral (substantivos, verbos e total), Fluência verbal semântica e ortográfica e Discurso narrativo oral (unidade de informação e cenas). A avaliação funcional das habilidades comunicativas não se modificou de modo consistente após a intervenção O recurso tecnológico empregado com estratégias terapêuticas convencionais, durante três meses, conduziu a melhoras da habilidade de acesso lexical no caso estudado. Seu uso na prática clínica em pacientes com demência em fase leve mostrou-se possível.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 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 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".