La formación médica para prevenir la tecnoadicción en adolescentes y jóvenes desde la Extensión Universitaria
Bibliographic record
Abstract
El artículo analiza el creciente problema de la tecnoadicción en niños y jóvenes, derivado del uso excesivo de las Tecnologías de la Información y la Comunicación (TIC). Las autoras, destacan la urgencia de acciones preventivas ante la falta de información sobre sus riesgos para la salud mental y el desarrollo. Para enfrentar este desafío, proponen integrar la Extensión Universitaria en la formación médica, capacitando a los estudiantes como promotores de salud mediante el proyecto "Interactuando con las TIC". Este incluye intervenciones educativas en escuelas, diseño de protocolos de orientación, talleres universitarios y campañas mediáticas, alineados con el Plan de Estudio E cubano y la Carta de Ottawa (1986). El texto enfatiza el potencial de las universidades médicas para combinar docencia, investigación y proyectos comunitarios —como "Las ciencias psicológicas en la formación profesional"— y así promover un uso responsable de las TIC. Concluye resaltando la necesidad de un enfoque multisectorial que priorice la prevención, aprovechando las fortalezas institucionales y el rol social de los futuros médicos.
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 | 0.007 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".