Bibliographic record
Abstract
Na maioria das grandes cidades da América Latina e Ásia, milhares de pessoas, no Brasil chamados de catadores(as), trabalham na coleta seletiva informal ou organizada em cooperativas ou associações, às vezes com apoio do governo municipal. Os resíduos sólidos recicláveis são coletados, separados, prensados e redirecionados para a indústria da reciclagem. Algumas cooperativas já adicionam valor aos seus produtos, como acontece na região do ABC, onde catadores(as) transformam a garrafa PET em varal e comercializam o produto. As cidades em que o governo local apoia e remunera o trabalho da coleta seletiva - como por exemplo em Londrina e Diadema, no Brasil – podem atingir importantes ganhos sociais e ambientais através do serviço prestado pelos catadores(as). Esse trabalho gera benefícios ambientais porque recupera matérias-primas que causariam poluição em lixões e aterros ou através da incineração. Quando resíduos sólidos são recuperados para o reúso ou a reciclagem, automaticamente se reduz tanto a necessidade de extração de novas matérias primas, quanto se diminui a geração de gases eliminados na decomposição (como o metano, por exemplo) ou na incineração (por exemplo: dioxinas, furanos ou hidrocarbonetos), que são responsáveis pela poluição e podem causar mudança climática. As atividades relacionadas à reciclagem geram trabalho e renda para inúmeras pessoas e, portanto, contribui para a redução da pobreza e de todas as suas conseqüências sociais e econômicas para a comunidade local e de forma geral. A principal preocupação dos catadores hoje, no entanto, é a expansão da incineração que destrói matéria-prima e valiosos postos de trabalho, além de contaminar o meio ambiente. O presente artigo introduz questões relevantes acerca da gestão de resíduos sólidos com a inclusão social de catadores e catadoras.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".