Gênero, política e violência: um estudo sobre a representatividade feminina nas chapas eleitorais e seu impacto na violência contra as mulheres
Bibliographic record
Abstract
Este trabalho investiga a relação entre a composição de gênero das chapas eleitas em eleições municipais e indicadores de violência contra mulheres. Utilizando dados do Tribunal Superior Eleitoral e do Datasus para o período de 2009 a 2020, utiliza-se um desenho de regressão descontínua em eleições acirradas, permitindo a aleatorização da composição de gênero das chapas. Esta abordagem possibilita identificar uma relação causal da presença feminina nas chapas ao comparar chapas compostas exclusivamente por homens com aquelas que incluem pelo menos uma mulher, seja na posição de prefeita ou vice-prefeita. No primeiro caso, os resultados são ambíguos, sugerindo que a presença de uma mulher como líder da chapa pode causar tanto um aumento quanto uma diminuição na incidência de assassinatos contra mulheres, a depender do período e do local do crime. Por outro lado, o efeito é nulo quando as mulheres ocupam posições menos proeminentes como vice-prefeitas, o que sinaliza as limitações na atuação e influência desses cargos. Estes achados contribuem para o debate sobre a eficácia da representação política feminina em posições menos proeminentes de liderança, avançando na literatura sobre representatividade política, gênero e violência, e enfatizando a necessidade de explorar mais a fundo o papel dos vice-prefeitos, uma dimensão ainda pouco investigada.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".