ARGUMENTAÇÃO EM LIVROS DIDÁTICOS DE MATEMÁTICA: BRASIL E CANADÁ
Bibliographic record
Abstract
Tendo como panorama a diferença apontada entre dois países, Brasil e Canadá, em relação à aprendizagem em matemática, conforme dados do Programa Internacional de Avaliação de Alunos, PISA, este artigo busca apresentar semelhanças e diferenças nos processos de argumentação no ensino da disciplina, relacionados aos principais livros didáticos adotados nas duas regiões. As coleções escolhidas para análise foram as recomendadas pelo Plano Nacional do Livro Didático, PNLD (National Textbook Plan), no Brasil e os livros mais utilizados, no Canadá. Nos fundamentamos nas categorias de argumentação esboçadas inicialmente por Balacheff (1988) e depois descritas por Attie (2016), a argumentação explicativa e a argumentação justificativa. Como resultados, pudemos perceber claramente como, em geral, os livros canadenses possuem uma maior preocupação em incentivar alguns aspectos como a autonomia e a busca de padrões, por exemplo, mas, apesar de uma diferença relevante na abordagem, ao analisarmos mais profundamente o enfoque no ensino dos conteúdos, em alguns casos, aparecem em algumas coleções canadenses, assim como na quase totalidade dos livros brasileiros, o que consideramos um apego excessivo às regras, em detrimento da exposição do processo envolvido no desenvolvimento das mesmas.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.011 |
| Science and technology studies | 0.015 | 0.012 |
| Scholarly communication | 0.010 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".