MATURIDADE NO GERENCIAMENTO DE PROCESSOS: UM MODELO PARA SUA ANÁLISE NA FUNÇÃO MANUTENÇÃO
Bibliographic record
Abstract
A excelência na manutenção está intrinsecamente relacionada à capacidade de uma organização em garantir a segurança, o desempenho, os custos adequados e a confiabilidade de seus ativos. Alcançar a excelência em manutenção requer a adoção de práticas de gestão eficazes que elevem o nível de maturidade dos processos. Neste estudo, é explorado um modelo de avaliação da maturidade da gestão da manutenção, com foco na Mineração Paragominas (MPSA), uma empresa de mineração de bauxita. A coleta de informações permitiu analisar as práticas em uso e compará-las com 367 requisitos descritos em checklists (roadmaps) de manutenção de equipamentos móveis de mina e manutenção industrial, identificando lacunas para alcançar a excelência na manutenção. Foi necessário implementar um modelo para avaliar o nível de maturidade da gestão da manutenção na organização, com o objetivo de promover a melhoria contínua por parte de todos os envolvidos nas atividades de manutenção. O modelo de avaliação para a excelência na manutenção serviu como ferramenta para medir o nível de maturidade da gestão da manutenção na MPSA, evidenciando um avanço de 9,3 pontos percentuais entre 2022 e 2024, correspondendo ao primeiro e segundo ciclo de diagnóstico, respectivamente.
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 | 0.005 | 0.011 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.012 | 0.012 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".