Avaliação qualitativa de programas educativos em museus espanhóis (ECPEME)
Bibliographic record
Abstract
Este projeto surgiu com o objetivo de conhecer em profundidade o funcionamento e a incidência educativa dos programas educativos nos museus de Espanha. A amostra foi composta por 12 museus de diferente natureza patrimonial e distribuição territorial, sendo intenção do projeto abarcar a diversidade regional espanhola: Galiza, Astúrias, País Basco, Aragão, Catalunha, Leão e Castela, Andaluzia e Madrid. Ao assegurar a diversidade como critério, tornou-se possível fazer inferências a partir dos dados. Procurou-se descobrir boas práticas e reforçar o diálogo entre instituições de educação não formal. Tratou-se de um modelo de avaliação externa e formativa sobre a ação educativa, que se apresentou com um desenho de investigação combinado de metodologias: analítico-documental, sobre a trajetória educativa e museográfica; interativo, quando abordámos a observação direta e as entrevistas em profundidade. Considerámos cada museu como um objeto de análise individual, um estudo de caso, cujas densas contribuições descritivas permitem inferir tendências educativas no contexto museológico e construir critérios de qualidade transferíveis para caminhar no sentido da melhoria didática e pedagógica do museu.
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 | 0.018 | 0.042 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".