Recursos digitais na formação de professores de Ciências: alargamento de sentidos
Bibliographic record
Abstract
O ensino de ciências no Brasil historicamente apresenta um cenário tanto de carência de quantitativo docente nas áreas de Biologia, Fìsica, Química e Matemática quanto de necessidade de formação continuada dos profesores das redes pública e privada. Tal contexto é foco de atenção da Universidade no sentido de oferecer formação inicial e continuada de qualidade com vistas à melhoria da prática docente nas áreas específicas e ao uso de recursos didático-pedagógicos condizentes com a realidade atual. Assim, este trabalho é resultado de investigação realizada no período de 2013/2014 junto aos discentes do Programa de Mestrado Profissional em Ensino de Ciências de uma universidade pública brasileira dentro da linha de pesquisa “Tecnologias de Informação e Comunicação no Ensino de Ciências”. Objetivou-se investigar os efeitos da utilização de recursos digitais no desenvolvimento das atividades da disciplina de “Tendências Contemporâneas de Currículo”. Foram foco do estudo as produções acadêmicas de duas turmas, totalizando 18 mestrandos (professores das redes pública e privada atuantes na Educação Básica e Superior). Tais produções visavam à constituição de um portifólio digital, tendo o blog como suporte em que cada mestrando disponibilizava as tarefas e atividades propostas na disciplina (resumos, resenhas, textos reflexivos etc). As análises indicam: a) um processo gradativo de apropriação tecnológica bem como de atribuição de sentidos para o uso pedagógico das TDIC (Tecnologias Digitais de Informação e Comunicação); b) desdobramentos da apropriação da tecnologia em uso e aplicação do recurso na prática docente dos mestrandos; c) alargamento da proposta inicial feita na disciplina em que o blog tornou-se, além de um recurso didático, um espaço de compartilhamento de experiências docentes; d) intensificação das interações, para além da sala de aula (professor-alunos; alunos-alunos); e) desdobramentos de aprendizagem de outros recursos e ferramentas digitais para incrementação do blog. Dessa forma, destaca-se que as ferramentas digitais constituem-se como valioso recurso para a formação de professores e podem instigar o uso pedagógico das tecnologias no Ensino de Ciências.
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 | 0.011 | 0.038 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.008 |
| Science and technology studies | 0.007 | 0.004 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".