La robotique comme stratégie d’enseignement des matières de l’enseignement professionnel et technologique au Brésil entre 2017 et 2022 : une revue intégrative
Notice bibliographique
Résumé
Il existe plusieurs façons d’enseigner différents contenus à n’importe quel niveau éducatif. Grâce à la robotique, différents composants formels peuvent être compris. Les domaines dans lesquels la robotique est le plus utilisée sont généralement les mathématiques, la physique et la programmation. Cela n’empêche pas des matières comme la géographie, les arts, la langue portugaise et la biologie, entre autres, d’utiliser cet outil. L’objectif de cet article est d’identifier comment la robotique éducative est utilisée comme un outil d’enseignement dans les matières du tronc commun, en mettant l’accent sur l’Éducation Professionnelle et Technologique (EPT) au Brésil, entre 2017 et 2022. À cette fin, une revue intégrative de l’influence de la robotique en tant que complément de la méthodologie d’enseignement des matières de l’enseignement professionnel au Brésil a été réalisée, avec un accent particulier sur l’Amapá, dans la base de données de Google Scholar, sur la période indiquée. On peut en conclure que la robotique, lorsqu’elle est utilisée correctement dans l’enseignement, est un outil technologique qui permet aux élèves d’acquérir un apprentissage significatif, les rendant acteurs de leur propre apprentissage. L’alignement entre la théorie et la pratique dans des cours contextualisés offre aux étudiants des expériences stimulantes qui enrichissent leurs connaissances et leur formation intégrale.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».