Enfrentando a violência, um vírus e um presidente: notas sobre práticas bem-sucedidas no combate à violência contra a mulher e feminicídios no Brasil durante a pandemia Covid-19
Bibliographic record
Abstract
Resumo O artigo teve como objetivo desenvolver uma reflexão argumentativa sobre como os posicionamentos do ex-presidente brasileiro, Jair Bolsonaro, podem ter tido efeitos negativos na vida de mulheres expostas à violência e ao risco de feminicídio, principalmente considerando o período de pandemia. Primeiramente, são descritos os avanços das últimas décadas em termos de legislação e programas de proteção às mulheres vítimas de violência no Brasil. Em seguida, discute-se como as políticas de Bolsonaro, como a defesa do armamento da população, agravaram o cenário e representaram um retrocesso em termos de políticas públicas voltadas aos direitos das mulheres, principalmente pelas experiências advindas do período de isolamento social. Mesmo com esse contexto, na última parte, apresentam-se algumas iniciativas, da sociedade civil e de outros segmentos, que têm resistido e enfrentado os índices alarmantes que têm surgido no país, especialmente nos casos de feminicídio. A análise futura dessas experiências pode trazer lições sobre como intervir em casos em que as vítimas permanecem por longos períodos na presença do agressor, assim como podem nos trazer lições importantes sobre o poder de uma sociedade e de grupos que se opõem fortemente aos discursos de uma política de liderança em relação aos direitos fundamentais das mulheres.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".