ESTUDO DA ACESSIBILIDADE NO AEROPORTO REGIONAL DE ARAGUAÍNA – TO
Bibliographic record
Abstract
A quantidade de pessoas com necessidades especiais que utilizam o transporte aéreo é ainda reduzida devido muitos aeroportos e aeronaves não estarem preparados para receber passageiros com certos tipos de deficiência. A Constituição garante o direito de ir e vir a todos como iguais, contudo com a falta de infraestrutura adequada, equipamentos disponíveis e treinamento de todo pessoal envolvido tanto do aeroporto como das companhias aéreas, contribuem com a restrição de pessoas com qualquer tipo de deficiência viajarem como qualquer outra pessoa. É preciso que a acessibilidade exista em todo espaço relacionado à atividade aérea de acesso aos passageiros para contribuição da inclusão social e o aumento de pessoas portadoras de deficiência utilizando esse meio de transporte. Com a finalidade de assegurar esta inclusão, o presente trabalho realizou um estudo de caso do Aeroporto Regional de Araguaína, analisando os indicadores de acessibilidade e verificando as possíveis barreiras que podem prejudicar os passageiros que necessitam de um atendimento especial. Foram observadas divergências quando comparada as normas brasileiras ABNT 9050 (2020, versão corrigida 2021) e ABNT 16537 (2016, versão corrigida 2018).
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".