Bibliographic record
Abstract
Embora meu livro Coding Places: Software Practice in a South American City (Lugares de desenvolvimento: a prática de software em uma cidade sul americana, en tradução livre), a que se refere este ensaio, dedique muitas páginas à linguagem Lua, ele não é sobre Lua e, seguramente, não é sobre uma “síndrome” da qual o Brasil precise se livrar. O livro é sobre globalização e a posição paradoxal de algumas cidades como o Rio de Janeiro no mundo global do software. Uma parte do paradoxo é que o Rio é uma cidade como muitas outras. Não é “estranho” – é absolutamente normal. O Vale do Silício é incomum – e muito afortunado. As pessoas que trabalham no Vale do Silício não precisam fazer as escolhas difíceis de quem mora no Rio (ou em muitas outras partes). O livro analisa essas escolhas e procura mostrar que elas ajudam a manter o status quo. Contudo, não é minha intenção condenar essas escolhas. Eu provavelmente também as realizaria. Na verdade, o faço com frequência (meu próprio livro está disponível apenas em inglês, não havendo uma edição em russo). Ainda assim, acho que vale a pena refletirmos sobre essas escolhas, considerando-as em toda a sua complexidade.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.005 | 0.013 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".