Proposta de um modelo para a geração de forças nas Forças Armadas
Bibliographic record
Abstract
O objetivo da presente investigação é propor contributos para a otimização de um modelo de geração de forças nas Forças Armadas que assegure o cumprimento dos compromissos internacionais, no exterior do território nacional. O estudo iniciou-se com a análise do modelo de planeamento e geração de forças nacionais destacadas, no sentido de detetar eventuais lacunas e disfunções, no respetivo ciclo anual, na perspetiva de obter contributos para a sua otimização. De seguida, compararam-se as características dos modelos das organizações internacionais, bem como de países aliados, que podem contribuir para otimizar para o modelo nacional. Com base nas lacunas e disfunções encontradas e na comparação dos modelos referenciados, foi possível selecionar contributos suscetíveis de serem adaptados ao modelo nacional. Na investigação utilizou-se um processo de raciocínio do tipo indutivo e uma estratégia qualitativa, adotando o estudo de casos múltiplos como desenho de pesquisa. Como principal resultado da investigação, apresentam-se contributos ao nível da finalidade, dos processos e dos recursos, numa proposta otimizada de modelo que sistematiza de forma rigorosa, o planeamento anual e geração de forças nacionais destacadas, conjugando as capacidades e maximizando os recursos disponíveis, de forma a contribuir decisivamente para a afirmação da política externa de Portugal.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".