Bibliographic record
Abstract
Après avoir résumé et comparé les définitions du concept de « région » que donnent différents scientifiques, l’auteur applique ce même concept au Brésil en considérant trois points principaux : les facteurs de la régionalisation de l'espace au Brésil, les types de régions brésiliennes et le rôle des villes dans la régionalisation. Les conditions historiques du développement du Brésil ainsi que le milieu naturel ont été des facteurs prépondérants dans le processus de régionalisation de l'espace brésilien, en déterminant d'une façon quasi totale la nature des activités économiques qui jurent les éléments de base de l'organisation de l'espace brésilien. L'élevage et les monocultures tropicales ont effectivement suscité la vie de relations qui caractérise la véritable région. Au cours des dernières années, des géographes brésiliens ont tenté de déterminer les régions homogènes dans le territoire national mais la présence d'une multiplicité de variantes locales a empêché le découpage de l'espace brésilien en unités équivalentes. Cependant, certains types de régions apparaissent en jonction des villes brésiliennes ; le rôle des centres urbains défini par les zones qu'ils polarisent, est assez important dans le processus de régionalisation. L'étude de ces centres urbains et de leur position hiérarchique révèle l'immense étendue des aires d'influence ; cette distance qui sépare les centres secondaires des centres de premier ordre réduit l'intensité des relations qui caractérisent théoriquement la région organisée. Il semble donc que la région, telle que définie par les géographes urbains, n'existe pas en tant que telle au Brésil. Cependant, selon Michel Rochefort, malgré l'absence d'un réseau urbain très bien hiérarchisé, il est possible de procéder à un découpage du territoire en un certain nombre de secteurs homogènes au point de vue développement économique et social.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.006 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".