Negligência infantil a partir do Child Neglect Index aplicado no Brasil
Bibliographic record
Abstract
Este estudo objetivou descrever a utilização do Child Neglect Indexpara identificar casos de crianças negligenciadas por seus pais/cuidadores no contexto brasileiro. Após adaptação inicial à realidade sociocultural brasileira, o instrumento foi aplicado em três grupos de indivíduos, cada qual com 30 díades de crianças/pais, totalizando 90 díades (n=180), assim compostos: G1 (primeiro grupo) = casos oficialmente notificados por negligência infantil; G2 (segundo grupo) = casos suspeitos de negligência não notificados; G3 (terceiro grupo) = casos sem suspeita de negligência ou outra forma de maus-tratos (grupo de comparação); além de um quarto grupo de professoras dessas crianças (n=11). Os resultados apontaram altos escores no índice de negligência em G1 e G2, e baixos escores em G3, sugerindo presença de indicadores de falta de supervisão parental referentes a cuidados com alimentação, vestimenta, higiene, saúde física, saúde mental e educação nos dois primeiros grupos avaliados, comparativamente às crianças sem suspeita de maus-tratos. Os atuais achados empíricos, embora preliminares em termos de adaptação do Child Neglect Index ao contexto do Brasil, foram promissores ao sinalizar potencial do instrumento como recurso para detecção/confirmação da negligência infantil, estimulando novas investigações e aprimoramento desse recurso técnico para favorecer adequada identificação e intervenção nesses casos.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".