A FORMAÇÃO DE PROFESSORES PARA O ENSINO DE CIÊNCIAS NA PERSPECTIVA NA TEORIA DA OBJETIVAÇÃO
Bibliographic record
Abstract
O objetivo deste artigo é discutir a contribuição da teoria da objetivação para a formação de professores de ciências. A teoria da objetivação (TO) é uma teoria de ensino-aprendizagem de cunho histórico-cultural, que sugere uma concepção de aprendizagem de ciências muito diferente das concepções construtivista e behaviorista predominantes. A TO sugere conceber a aprendizagem como um encontro coletivo com saberes constituídos histórica e culturalmente e argumenta que a aprendizagem não é apenas uma questão confinada à esfera do saber, mas também à esfera do ser. A TO é um convite para transformar a sala de aula de ciências em um lugar de debates e posicionamentos críticos, nos quais vão se encontrando saberes e formando-se novas subjetividades. Na primeira parte deste artigo, abordamos a problemática do Ensino e Aprendizagem da Física no Brasil. Em seguida, apresentamos, brevemente, alguns conceitos-chave da TO e discutimos o que poderia ser a contribuição da TO para a formação de professores de ciências. Na última parte do artigo, apresentamos uma aula de cinemática em torno do estudo científico do movimento dos corpos. A lição ilustra o encontro dos alunos com o saber científico e o papel do professor.
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 | 0.010 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.013 | 0.014 |
| Scholarly communication | 0.020 | 0.010 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".