Dicionário enciclopédico ilustrado trilíngue da Língua de Sinais Brasileira no ensino de Português como segunda língua
Bibliographic record
Abstract
O presente artigo trata do uso do dicionário no âmbito do ensino e da aprendizagem de Português como segunda língua por aprendizes surdos, tendo como objeto de estudo o Dicionário Enciclopédico Ilustrado Trilíngue da Língua de Sinais Brasileira (DEIT-Libras), que tem como autores Capovilla e Raphael (2001). Com base em Faulstich (2010), Maia-Pires (2009) e Vilarinho (2013), pontuaremos, por meio do método descritivo-analítico, aspectos capazes de caracterizar sua potencial contribuição para o momento de ensino e aprendizagem da(s) língua(s) que se dispõe a apresentar, são elas: o Português, o Inglês e a Libras. No decorrer do artigo apresentaremos as seguintes seções: 1) Relação léxico, dicionário, aprendizagem e ensino de português do Brasil como segunda língua; 2) Avaliação do “Dicionário enciclopédico ilustrado trilíngue da língua de sinais brasileira” (Libras); e, ao final, 3) Proposta de atividade para o ensino de português como segunda língua, por meio do uso do dicionário aqui analisado. Observamos, ainda, que o dicionário possui uma vasta gama de verbetes e uma estrutura que abarca, além da definição e da ilustração da forma de realização, em estágios, dos sinais da Libras, textos relacionados ao mundo da surdez, contribuindo, assim, para o conhecimento que vai além do léxico das três línguas apresentadas.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 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".