MétaCan
Menu
Retour à la cohorte
Enregistrement W6893039894 · doi:10.5281/zenodo.13988858

Perícia Médica Veterinária: O Papel do Perito Médico Veterinário na Judicialização de Casos Envolvendo Animais

2024· article· pt· W6893039894 sur OpenAlexaff

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2024
Typearticle
Languept
DomaineSocial Sciences
ThématiqueAnimal Law and Welfare
Établissements canadiensDiscovery Air (Canada)
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Government (linguistics)PoliticsWork (physics)

Résumé

récupéré en direct d'OpenAlex

A Medicina Veterinária Legal, também denominada Perícia Médica Veterinária, consiste na aplicação do conhecimento técnico-científico da Medicina Veterinária em apoio ao Direito, em casos que envolvem animais. O crescimento dessa área reflete uma demanda crescente da sociedade por respostas e justiça em conflitos relacionados aos animais. Casos de suspeita de erro médico veterinário, falhas na prestação de serviços em estabelecimentos voltados para animais, como pet shops e creches, danos causados por animais em condomínios, guarda compartilhada de animais, além de avaliações de rebanhos e animais em situações de negligência e maus-tratos, têm se tornado cada vez mais frequentes nos tribunais brasileiros. Nesse contexto, o perito médico veterinário assume um papel essencial, ao aliar o conhecimento específico da Medicina Veterinária à compreensão de outras disciplinas forenses, com o objetivo de produzir provas técnicas. Diante do atual cenário, a indispensabilidade da prova pericial elaborada pelo médico veterinário, bem como o papel fundamental do assistente técnico no apoio às partes envolvidas, tem se tornado cada vez mais evidentes. Esse crescimento acompanha a crescente judicialização de casos que envolvem animais, exigindo das autoridades competentes uma abordagem técnica e especializada para a resolução de conflitos. Palavras-chave: maus-tratos, medicina veterinária legal, negligência, perícia veterinária, responsabilidade civil.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,017
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil0,089

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,028
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0060,016
Communication savante0,0080,003
Science ouverte0,0020,006
Intégrité de la recherche0,0050,005
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,060
Tête enseignante GPT0,308
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetAnimal Law and WelfareTravaux en français237 207