Plantas em casa – ter ou não ter? Eis a questão
Bibliographic record
Abstract
A relação do ser humano com a natureza é alvo de estudos com as mais variadas abordagens. Podemos salientar a existência de poucas pesquisas sobre o papel das plantas nos ambientes construídos. Essas questões são importantes uma vez que a cinquenta por cento da população mundial se encontra residindo em cidades, sendo que as atividades diárias como o trabalho, o descanso e a recreação ocorrem primordialmente no ambiente construído. O presente estudo tem como base um questionário com perguntas abertas e fechadas, realizado em um evento público de comemoração ao dia do trabalho (n=100). As análises foram efetuadas, com o auxilio do software EVOC 2000. Foram utilizadas duas questões de evocação que compuseram o estudo, considerando os motivos que levam/levaria as/os participantes a ter plantas e a não ter plantas. Visando conhecer as diferenças e semelhanças das evocações em função das variáveis, os dados foram analisados com o auxílio dos subprogramas SELEVOC e COMPLEX. Os resultados foram cotejados com diferentes explicações teóricas. Em suma, os principais motivos para possuir plantas no ambiente construído estão ligados ao estímulo visual, a qualidade do ar, a percepção das plantas como elementos restauradores e a utilidade das plantas. Como os principais motivos para não se possuir plantas são o tempo (gasto e/ou necessário), os cuidados exigidos, o espaço necessário e fatores aversivos como a dengue. Esse estudo exploratório pode contribuir com pesquisas futuras com diferentes abordagens.
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 | 0.007 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".