O MOVIMENTO MAKER: ENFOQUE NOS FABLABS BRASILEIROS
Bibliographic record
Abstract
O movimento maker, cada vez mais intenso em se tratando de práticas para a inovação, vem ganhando espaço nas diversas regiões do mundo. No Brasil, muito se fala e muitas ações são observadas para se ter, principalmente junto a empreendedores, espaços passíveis de testar e desenvolver projetos. Especificamente tratando do termo FabLab, criado pelo Massachusetts Instituteof Technology (MIT), há atualmente presença em mais de 60 países e no Brasil as iniciativas chegam a 17. Em comparação com os índices mundiais, o Brasil fica em oitava colocação no número de FabLabs vinculados ao MIT, estando atrás de países como Estados Unidos, França, Itália, Alemanha, Holanda, Reino Unido e Espanha. Entretanto, apresenta um número maior de FabLabs de países desenvolvidos como a Bélgica, Japão, Canadá, Suíça e Portugal. Os Laboratórios de Fabricação brasileiros são em sua maioria profissionais (nove) e universitários (oito). Para a realização das atividades possuem máquinas como impressão 3D, fresagem CNC, circuito de produção, corte a laser / gravura, fresagem de precisão e vinil plotter. Entretanto, considerando a democratização de acesso aos FabLabs, com a abertura de pelo menos um dia para a comunidade geral, apenas sete indicam o open day. Palavras-chaves:FabLabs; Espaço Maker; Inovação; Tecnologia; Criatividade.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 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".