Entrevista na Inteligência Policial Militar: uma abordagem sobre o método cognitivo e a linguagem não verbal
Bibliographic record
Abstract
O presente artigo investiga a relação entre o método cognitivo e a análise da linguagem não-verbal na busca de dados negados em entrevistas de Inteligência Policial Militar, avaliando o impacto da combinação desses dois aspectos na precisão e confiabilidade das informações coletadas. Através de uma revisão sistemática da literatura, o estudo busca responder como essa combinação pode impactar a precisão e a confiabilidade dos dados obtidos. A discussão aborda a relação entre Inteligência Policial Militar, técnicas de entrevista e comunicação não verbal, analisando como a leitura adequada do comportamento não verbal pode melhorar práticas de entrevista e detecção de mentiras. A revisão da literatura foca em técnicas de entrevista, como ação de busca, entrevista cognitiva e método PEACE, e no papel da comunicação não verbal no contexto da Inteligência Policial Militar. O estudo conclui que ao integrar o conhecimento da linguagem não verbal e técnicas cognitivas nas entrevistas, os profissionais de Inteligência Policial Militar podem aprimorar suas habilidades de detecção de mentiras e obter dados mais precisos e confiáveis. A pesquisa também destaca a necessidade de treinamento específico e pesquisas adicionais nesta área.
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 | 0.044 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.005 | 0.025 |
| Scholarly communication | 0.017 | 0.017 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".