Ensino Remoto Emergencial e Reforma Neoliberal da Educação Brasileira: Tecendo Relações
Bibliographic record
Abstract
A pandemia de COVID-19 exigiu medidas extremas para conter a circulação do vírus e o isolamento social foi a estratégia sanitária que mais se destacou no controle das curvas de contaminação semanal. Essa medida exigiu reorientação do comportamento e das práticas sociais, impondo à população mundial restrições de circulação, exigindo de todos a adaptação às novas formas de se relacionar. Nesse contexto, a escola foi uma das instituições que mais foram afetadas. Com a suspensão do ensino presencial, o ensino remoto emergencial (ERE) foi a solução sugerida pelo Ministério da Educação (MEC) e adotada pelos outros entes federativos. Contudo, sem contar com planejamento pedagógico adequado e sem consultar os agentes envolvidos no processo educacional, o processo de ensino implantado em tempos de reclusão doméstica evidencia a exclusão digital como o maior entrave na implementação desse modelo. Esse texto apresenta uma breve discussão que contempla a implementação do ERE na pandemia como uma estratégia que abre precedentes para a implantação da Educação a distância (EaD) como modelo de ensino em conformidade com interesses neoliberais no processo de privatização da Educação básica no Brasil. Trata-se de um estudo qualitativo de cunho exploratório que se baseia no conceito de neoliberalismo educacional, de Christian Laval (2019) e dos estudos de Luiz Carlos Freitas (2018) sobre a mercantilização da Educação no Brasil. Palavras-chave: Educação pública. Reforma neoliberal. Ensino remoto. Pandemia. Isolamento social.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".