Bibliographic record
Abstract
O modelo de gestão do Poder Judiciário se aproxima cada vez mais da lógica neoliberal, em que a ideia de concorrência é a sua pedra angular. A interferência dessa lógica no âmbito do judiciário afigura-se um fator importante a ser estudado, na medida em que ela modifica o funcionamento desse órgão, que é hoje um poder protagonista capaz de interferir nas ações promovidas pelos outros poderes e de produzir as suas próprias políticas públicas. Atualmente, quanto à formulação de políticas pelo judiciário, o tema da inteligência artificial-IA encontra proeminência, já que o chamado terceiro poder tem buscado utilizá-la com o objetivo de promover o acesso à justiça. Dentro desse contexto, é que o presente trabalho, por meio de uma pesquisa teórico-descritiva, almeja verificar se as caracteristicas do neoliberalismo se encontram presentes nas ações de IA promovidas pelo Superior Tribunal de Justiça. Para tanto, busca-se identificar, na esteira dos ensinamentos de Dardot e Laval (2016), quais as caracteristicas da racionalidade neoliberal, procurando, além disso, compreender o que vem a ser a política judiciária de IA e como ela tem sido implementada pelo STJ. Ao final, entende-se que a característica da produtividade vinculada à racionalidade neoliberal tem influenciado a política de IA formulada pelo STJ.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.014 |
| Scholarly communication | 0.014 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.017 | 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".