Proposta metodológica para adequação das informações do Censo Demográfico do IBGE na análise da vulnerabilidade social a eventos extremos na zona costeira
Bibliographic record
Abstract
Tendo em vista a intensificação dos efeitos dos eventos extremos nas zonas costeiras do Brasil, particularmente na Região Sul, são oportunos estudos que considerem a vulnerabilidade social das populações locais de forma a entender como estas podem ser mais ou menos afetadas por esses eventos. Neste sentido, diferentes estratégias para a caracterização da população sob risco e sua vulnerabilidade, tendo por base o uso de dados de censos demográficos, têm sido propostas por diversos autores, sobretudo ao longo das duas últimas décadas. Todavia, no país ainda é pequeno o debate relativo à seleção dos descritores mais efetivos e à representatividade espacial das amostragens censitárias disponíveis. Esse artigo tem por objetivo avaliar as limitações do uso de variáveis censitárias, através do desenvolvimento de uma metodologia capaz de ajustar o recorte espacial dos setores censitários do IBGE às áreas costeiras expostas a eventos extremos. Os resultados obtidos ilustram a importância de se realizar ajustes prévios quando da utilização dos setores censitários para estudos de vulnerabilidade social costeira.
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 | 0.016 | 0.047 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.008 | 0.012 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| 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".