Intervir para quê? Design Universal e Tecnologias Inclusivas para Autistas: uma Revisão com Inteligência Artificial SciSpace e Elicit de 2020 a 2024
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Resumo: O Desenho Universal para a Aprendizagem (DUA) e a utilização de Tecnologias da Informação e Comunicação (TICs) no contexto da educação inclusiva oportuniza ambientes de ensino acessíveis e personalizáveis a alunos com necessidades educacionais especiais, como Transtorno do Espectro Autista (TEA) e inclusive, alunos neuro típicos. O objetivo desse estudo é mapear a aplicação do Desenho Universal e de Tecnologias na produção de práticas inclusivas com ênfase em alunos com Transtorno do Espectro Autista (TEA) e com foco na utilização de ferramentas digitais e pedagógicas em bases de dados de Inteligência Artificial. A metodologia deste estudo baseia-se em uma revisão bibliográfica integrativa conduzido em bases de dados com engenharia de inteligência artificial de relevância nacional e internacional. A pesquisa abrangeu estudos publicados dos últimos 5 anos, entre os anos de 2020 a 2024. As bases de dados adotadas foram SciSpace e Elicit. Os resultados e discussão sobre o DUA aliados as TICs centram-se nos três princípios do DUA: I) múltiplas formas de representação (acesso ao conteúdo); II) múltiplas formas de ação e expressão (demonstração do aprendizado) e III) múltiplas formas de engajamento (motivação e participação). Para tanto, este estudo evidencia o uso de estratégias pedagógicas significativas e aponta desafios na implementação prática, como infraestrutura e capacitação docente. Palavras-chave: Inclusão Educacional, Personalização do ensino, Tecnologias da Informação e Comunicação (TICs).
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.
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 | 0,003 | 0,003 |
| 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 | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle