Entendiendo al paciente. La utilización de un análisis cualitativo para el diseño de una intervención psicoeducativa
Bibliographic record
Abstract
Las Crisis No Epilépticas de Origen Psicógeno (CNEP) se definen como cambios paroxísticos en la conducta, en la sensopercepción o en la actividad cognitiva, limitadas en el tiempo, que aparentan ser crisis epilépticas generalizadas o parciales pero que no obedecen a una descarga neuronal anómala sino que están generadas por distintos mecanismos psicológicos. Tanto la investigación como la experiencia clínica describen a los pacientes que padecen CNEP como complejos, difíciles de tratar, y con serias dificultades para la aceptación del diagnóstico y la adherencia de los tratamientos propuestos para este tipo de trastorno. Este trabajo se orienta a presentar el desarrollo de categorías de análisis temático obtenidas a partir de la toma de la entrevista McGill Illness Narrative Interview - MINI (Grouleau, Young & Kirmayer) en pacientes con diagnóstico de CNEP. Los resultados preliminares indican que los pacientes utilizan distintas formas de razonamiento sobre su malestar, lo cual incide en la elección de los tratamientos, en su efectividad y en la adherencia a los mismos. Se discuten estos resultados destacando la importancia de tener en cuenta los aspectos vinculados con la \nvivencia e interpretación de la enfermedad por parte de los pacientes para el diseño de intervenciones psicoeducativas para las CNEP.
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 | 0.000 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.004 |
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".