Produção de (in)visibilidades: mulheres negras e políticas públicas de saúde
Bibliographic record
Abstract
As mulheres negras estão em um lugar desfavorecido na sociedade, expostas a diferentes tipos de violência, incluindo o que diz respeito ao acesso à saúde. Partindo deste pressuposto, realizou-se uma análise das políticas públicas de saúde voltadas para as mulheres negras, visando compreender de que forma busca-se dar conta das demandas especificas dessa população. Como metodologia, analisaram-se três documentos elaborados pelo Ministério da Saúde, onde se observou o contexto em que as palavras “mulheres negras”, “mulheres brancas”, “população negra”, “raça” e “cor”, se inserem. Problematizou-se, a partir dos estudos culturais, sobre se as políticas públicas de saúde estão produzindo visibilidade ou invisibilidade em relação às mulheres negras, partindo do entendimento de que, quando um determinado grupo é mais vulnerável em relação aos outros, não nomeá-lo tende a ser mais uma forma de exclusão. Através da análise dos documentos, elencaram-se duas categorias de análise, onde, na primeira, buscou-se discutir sobre identidade, diferença e branquitude, visto que a identidade branca, nos documentos, permanece invisível. Após, reflete-se sobre a relação da cor com o conceito de vulnerabilidade 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 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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".