Impactos Pandêmicos ao Turismo de zonas geográficas litorâneas, estratégias de prevenção para o litoral norte.
Bibliographic record
Abstract
A presente investigação busca compreender as novas faces do turismo no período do ano de 2020 em decorrência da falência dos processos econômicos, sociais e territoriais na escala geográfica do Litoral Norte, tendo como caso de estudo a cidade de Ilhabela, no litoral brasileiro. Este fenômeno que assolou globalmente diversas sociedades e zonas urbanas cujas características de alta volatilidade propiciou a necessidade por meio das novas interações humanas, diversas adaptações aos serviços e gerações econômicas ao longo do mundo. A fenomenologia deste fato é oriunda do processo pandêmico ocasionado pelo COVID-19, impactando os meios de sobrevivência, as zonas urbanas e suas diversas escalas produtivas e gerando uma fragmentação entre o consumo da imagem de um território, o atrativo da sobrevivência humana baseado no ócio e o grande número de redução de conectividades entre zonas de alta demanda turística. O trabalho se colocou em compreender a macro situação e ensaiar soluções temporais por meio de estratégias que permitam ao longo deste período propiciar melhorias estruturais e fomentar novos protocolos para a saúde pública. Assim, o caso de Ilhabela se coloca como um possível expoente para um modelo nacional de combate pandêmico em zonas litorâneas brasileiras.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.000 |
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".