Avaliação da efetividade de manejo das unidades de conservação de proteção integral em Minas Gerais
Bibliographic record
Abstract
Este trabalho buscou avaliar a efetividade de manejo a partir da coleta de dados em campo, através da aplicação de questionários aos gerentes dessas áreas e consulta a dados secundários das instituições gestoras. A metodologia de questionário utilizada foi a "Matriz de Cenários", em que se estabeleceram cenários possíveis, desde a pior até a melhor situação esperada de cada um dos indicadores de manejo escolhidos. Os resultados apontaram que a criação de unidades de conservação, em Minas Gerais, tem ocorrido sem a perspectiva de que estas venham cumprir seus objetivos estabelecidos em sua criação ou definidos na escolha da sua categoria. Constatou-se que apenas uma unidade de conservação apresentava nível satisfatório de manejo e 60% das unidades exibiram nível insatisfatório de manejo. As unidades nacionais presentes em Minas Gerais apresentavam, em média, resultados melhores que as estaduais, ressaltando-se que, do total, 87% (34 unidades) não possuíam Plano de Manejo, nem se encontravam em fase de planejamento. O quadro demonstrado neste estudo deixa clara a necessidade de repensar o processo de criação e gestão de unidades de conservação em Minas Gerais. E, em comparação com outros estudos, observou-se que essa é também uma realidade de outros estados, como São Paulo, Rio de Janeiro e Mato Grosso.
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 | 0.011 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".