Jogos de empresas como componente curricular: análise de sua aplicação por meio de planos de ensino
Bibliographic record
Abstract
O objetivo deste artigo é analisar a pertinência da presença de um componente curricular denominado Jogos de Empresas, nos cursos de graduação em Administração no Brasil. A revisão bibliográfica demonstra que a aplicação de jogos tem elevado potencial de contribuição para a formação em Administração, mas a presente pesquisa identificou falhas na concepção das disciplinas a ela relacionadas. Os Planos de Ensino da disciplina "Jogos de Empresas" (com algumas variações de nomenclatura) de 25 IES brasileiras foram analisados por meio de pesquisa documental. Duas abordagens distintas foram identificadas para o tratamento da disciplina Jogos de Empresas: a primeira, que trata da capacitação para que se apliquem jogos como ferramenta de ensino-aprendizagem; e a segunda, que trata da integração das diversas disciplinas específicas de gestão. A análise apontou uma distorção da interpretação institucional a respeito da importância dos jogos para a formação em Administração. Há equívoco na concepção das disciplinas, que sofrem de falta de identidade, e quanto a não aplicação dos jogos no próprio desenvolvimento de tais disciplinas. Dessa forma, este artigo é concluído com a demonstração da necessidade de um maior apoio institucional executado por meio da aquisição/desenvolvimento de recursos didáticos e da capacitação docente para que se desenvolvam jogos de empresas.
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 | 0.007 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.007 | 0.011 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".