Proposta de matriz de produção de infográficos na escola: explorando a paisagem multimodal do canva.com
Bibliographic record
Abstract
Este artigo apresenta uma proposta de matriz de práticas de letramento para a produção de infográfico por meio da ferramenta on-line e gratuita de editoração gráfica Canva. Com base em Paiva (2009, 2013), analisou-se o infográfico como um gênero de texto visual informativo muito utilizado em visualização de informações em mídia impressa e digital, por isso considera-se ser proveitoso seu ensino e aprendizagem com estudantes da educação básica. Para analisar o seu layout, partiu-se da abordagem da multimodalidade de Kress e van Leeuwen (2006) e dos estudos de layout na perspectiva semiótica social multimodal de Kress (2010) e Paiva (2021). Depois, foram apresentadas e discutidas três pesquisas relevantes para a produção do infográfico na escola, quais sejam Ribeiro (2016), Rodrigues (2018) e Gomes (2019). Em seguida, com base em Dias e Novais (2009), desenvolveu-se a proposta de matriz, para organizar o ensino e a aprendizagem da produção de infográficos no Canva. Ainda que não seja uma metodologia de ensino, acredita-se que a matriz possa auxiliar o professor e a professora no seu trabalho de ensino e de aprendizagem de produção de infográficos, porque os estudantes podem desenvolver projetos de visualização de informação utilizando o Canva, inclusive em seus próprios smartphones.
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 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.014 | 0.014 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 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".