Impactos da pandemia do novo coronavírus no direito humano à alimentação e à nutrição adequadas e programas de segurança alimentar e nutricional: quais os desafios e o que propor?
Bibliographic record
Abstract
Resumo Introdução A pandemia do novo coronavírus intensificou a violação do direito humano à alimentação e nutrição adequadas e elevou a insegurança alimentar e nutricional na população brasileira. Objetivo Analisar as estratégias das políticas e programas de segurança alimentar e nutricional adotadas pelo governo brasileiro durante a pandemia (ano de 2020) para promoção da segurança alimentar e nutricional e combate à insegurança alimentar e nutricional no país. Método Realizou-se busca nos sites oficiais para análise das ações propostas. Resultados Apesar de algumas proposições pontuais, como a distribuição do auxílio emergencial, estratégias mais enérgicas, como o fortalecimento do Programa de Aquisição de Alimentos, encorajamento de pequenos agricultores, facilitação do transporte e da comercialização de alimentos e a garantia da continuidade de programas assistenciais que facilitem acesso à renda e à alimentação durante a pandemia, precisam ser urgentemente adotadas. Conclusão Essas estratégias requerem atuação das três esferas de governo em prol do combate dos impactos da pandemia do novo coronavírus nos índices de insegurança alimentar e nutricional no Brasil.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".