Bibliographic record
Abstract
Au cours des quatre-vingt dernières années, la production des universitaires brésiliens sur la question raciale nord-américaine a été épisodique. Et ceux qui se sont penchés sur le modèle américain de relations raciales n’y cherchèrent pas une inspiration mais la démonstration que le Brésil aurait réussi son intégration raciale, dans la mesure où les Noirs n’y sont pas victimes des types de violences explicites pratiquées aux États-Unis. À partir de 1997, on observe au Brésil la multiplication des études, des travaux et des publications sur le thème de l’action affirmative, basée sur une comparaison avec l’expérience nord-américaine. Ces textes démontrent implicitement que le modèle racial brésilien n’est pas arrivé à élever le niveau de vie de la population afro-brésilienne à un point comparable à celui des Noirs américains en terme économique et d’influence politique. Elles montrent également que les politiques dites universalistes n’ont pas abouti au Brésil à l’égalité des chances pour tous. Compte tenu de l’actuel contexte racial nord-américain, le modèle américain ne peut plus être considéré comme l’antithèse du modèle brésilien et donc continuer à être ignoré par les intellectuels brésiliens dans les études comparatives entre les deux pays.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.012 | 0.011 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 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".