MétaCan
Menu
Retour à la cohorte
Enregistrement W7117885835 · doi:10.5281/zenodo.18101310

Desindustrialização, Terciarização, Educação/Ensino Profi ssional, Técnico, Tecnológico – Estado do Piauí

2025· article· W7117885835 sur OpenAlexaboutno aff
Iael de Souza, Evaldo Piolli

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2025
Typearticle
Langue
DomaineSocial Sciences
ThématiqueEvasion and Academic Success Factors
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWork (physics)Field (mathematics)Order (exchange)Capital (architecture)State (computer science)

Résumé

récupéré en direct d'OpenAlex

Os países periféricos, subordinados, dependentes, endividados, como o Brasil, amargam a desindustrialização e o crescimento exponencial da terciarização da economia. As políticas educacionais adequam a forma(ta)ção das juventudes aos rearranjos do sistema capital e da acumulação capitalista, legitimando a proliferação das parcerias “público”-privadas, o empresariamento da educação e sua mercantilização. A educação/ensino profi ssional, técnico, tecnológico ganha cada vez mais espaço e importância na rede “pública”-estatal, porém, não se trata de qualifi cação complexa, mas sim de qualifi cação simples para trabalho simples e precário/precarizado. Através de Pochmann (2021), Chesnais (1996, 2005), Mészáros (2009), Souza (2020), Dardot; Laval (2016), dentre outros autores, faz-se a análise e refl exão dos rearranjos do sistema capital e suas implicações no campo da educação, com ênfase à educação/ensino profi ssional, técnico e tecnológico, priorizando o Estado do Piauí, conforme pesquisa fi nanciada pelo Conselho Nacional de Desenvolvimento Científi co e Tecnológico (Processo nº 420124/2022-5): A implementação do Itinerário de Formação Técnica e Profi ssional da Reforma do Ensino Médio (Lei 13.415/2017) na rede regular de ensino do estado de São Paulo e Piauí.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,891
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0120,001
Communication savante0,0040,001
Science ouverte0,0040,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0720,011

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,327
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetEvasion and Academic Success FactorsTravaux en français237 207