Desenrolando o novelo... Dos corais hiperbólicos à emergência climática
Bibliographic record
Abstract
Há várias décadas que o teste "desenhar um cientista" tem sido aplicado em diversos países, maioritariamente junto do público infantil, de modo a inferir sobre as opiniões e estereótipos que existem em torno da imagem dos cientistas.Em Portugal este teste é aplicado, desde 2015, no âmbito da Noite Europeia dos Investigadores (NEI).Enquadrada como uma das atividades da NEI, os visitantes, de todas as idades, são encorajados a desenhar a imagem que associam à de um/a cientista.Os desenhos são agrupados em diferentes categorias e têm permitido verificar que as mais frequentes continuam a ser tendencialmente as que representam um cientista do género masculino "no laboratório" ou com "bata branca, óculos e cabelo em pé", ambas seguindo o estereótipo tradicionalmente mais associado à figura dos cientistas.No entanto, nas últimas edições têm aumentado as representações na categoria "pessoas como nós", bem como a ilustração de figuras femininas (muito em particular quando o desenho é produzido por participantes do género feminino).Adicionalmente à atividade de desenho é também pedido aos visitantes da NEI uma caracterização dos investigadores recorrendo a adjetivos.Existe uma prevalência dos atributos positivos (ex.inteligente, interessante, entusiasta, concentrado, responsável, respeitável ou simpático), por contraponto à atribuição de poucos adjetivos negativos (ex.aborrecido, descuidado, anti-social ou elitista).Atributos como excêntrico, distraído e confuso, embora não maioritários, revelam-se igualmente presentes em alguns casos.Partindo deste conjunto de dados, a presente comunicação pretende, em suma, discutir junto da comunidade de comunicadores de ciência a questão dos estereótipos associados à figura dos investigadores, a forma de os aferir e, eventualmente, contribuir para a sua transformação.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.014 | 0.017 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.024 | 0.004 |
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".