Prevalencia de astenopia en niños escolares de 6 a 17 años, por el uso de dispositivos digitales durante la pandemia por COVID-19: revisión sistemática
Bibliographic record
Abstract
El uso de dispositivos electrónicos es primordial en la vida cotidiana actual a nivel mundial y gracias a la emergencia sanitaria por COVID-19 se incrementó, pues fue necesario suspender actividades escolares presenciales obligando a los estudiantes a tomar clases virtuales, esto aumento la prevalencia de astenopia. Objetivo General: Determinar la prevalencia de astenopia en niños escolares de 6 a 17 años, por el uso de dispositivos digitales durante la pandemia por COVID-19. Método de investigación: Se realizó una revisión sistemática cualitativa mediante la pregunta PICOT; la búsqueda de literatura científica se realizó en Medline PubMed, Elsevier, Scielo, Scopus, Science direct, EBSCO, y JSTOR, con palabras clave en inglés y español, publicados entre 2020 y 2022. La calidad metodológica de los artículos se evaluó mediante herramientas como Newcastle-Ottawa para estudios trasversales y AMSTAR para revisiones sistemáticas, se incluyeron artículos de revisión, de investigaciones científicas, cualitativas, artículos de revistas y estudios de casos y controles, y/o estudios transversales, que abordaran el tema prevalencia de astenopia por uso de los dispositivos electrónicos en escolares, durante la pandemia del COVID-19. El reporte de la revisión se realizó con base en la declaración PRISMA.
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 | 0.008 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.007 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| 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".