A relação entre escolaridade e uso do computador: aspectos quantitativos de um estudo de caso junto a adultos pouco escolarizados na cidade de São Paulo.
Bibliographic record
Abstract
Este artigo trata da relação entre escolaridade e uso do computador. A partir de pesquisa exploratória, com características quantitativas e qualitativas, junto a dois grupos de participantes: G1, constituído por alunos de EJA da cidade de São Paulo, e G2, formado por alunos em situação de supraescolarização no Quebec, obtivemos elementos sobre a temática em questão. Foram aplicados questionários para a caracterização dos sujeitos envolvidos com o objetivo de relacionar a variável escolaridade e o uso do computador. Realizamos intervenções com observação ativa e entrevistas informais junto a G1. A análise dos dados quantitativos coletados indica que a maioria dos alunos de EJA não se sente à vontade ao falar sobre a cibercultura. Apesar de interessados no assunto, declaravam-se envergonhados por ainda não estarem inseridos neste novo cenário. Constatou-se que os participantes do G2 mostram-se familiarizados com o uso do computador para diversos fins, inclusive o da aprendizagem. Conclui-se que o nível de escolaridade interfere diretamente na utilização do computador, tanto na frequência como na forma, uma vez que quanto maior o grau de escolaridade, maior é a confiança na utilização das ferramentas e aplicativos do computador e ainda que tal temática está no cerne do debate acerca da alfabetização de jovens e adultos e da formação de professores desta modalidade de ensino.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".