PRINCÍPIOS DO ENSINAR-APRENDER GEOGRAFIA: APONTAMENTOS PARA A RACIONALIDADE DO COMUM
Bibliographic record
Abstract
O presente artigo discute princípios para ensinar-aprender geografia na escola pública, reconhecendo e problematizando o contexto de ampliação das desigualdades e violação de direitos que têm marcado o projeto societário neoliberal no Brasil. Parte importante deste contexto acentua-se com a emergência de políticas educacionais que pouco problematizam as desigualdades da educação pública no Brasil, reproduzindo-as, com o intuito de consolidar lógicas privatistas em torno das escolas, dos campos disciplinares, da docência e da educação. Os princípios apresentados neste texto se fundam na busca de uma outra racionalidade para além da lógica neoliberal. Para tanto, dialogamos com o conceito de comum, sistematizado por Dardot & Laval (2018), discutindo os sentidos do ensinar-aprender geografia como momento de construção desta outra racionalidade. Em nossa perspectiva, diante da hegemonia da racionalidade neoliberal, é fundamental construir o comum desde as escolas, reinventando nossas práticas, reconhecendo as geografias que fazemos, em diferentes contextos e que, reunidas, tecem novas grafias a muitas mãos e abrem as possibilidades das ações em defesa de um outro projeto societário.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.033 |
| Scholarly communication | 0.013 | 0.007 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".