Ensino remoto: a inserção de novas tecnologias na educação especial e inclusiva no ensino de geografia
Bibliographic record
Abstract
O artigo tem como objetivo principal identificar como as novas tecnologias podem contribuir com a educação especial e inclusiva no ensino remoto de geografia em tempos de pandemia. A elaboração deste trabalho inicia com uma abordagem sobre a compreensão da ressignificação do novo modelo educacional utilizado no ensino remoto no período da pandemia da COVID-19, em seguida foi enfatizado a importância da formação docente na perspectiva tecnológica e no âmbito da educação especial e inclusiva, na sequência foram exemplificadas as alternativas e as limitações encontradas na utilização dessas novas tecnologias no ensino remoto de geografia. No referencial teórico foram utilizadas obras de autores que trazem contribuições na área da utilização das novas tecnologias no processo de ensino-aprendizagem da geografia, na educação especial e inclusiva, na formação docente e no ensino remoto. A metodologia adota procedimentos da pesquisa bibliográfica sobre a temática tratada e dialoga com princípios do método dialético. Nos resultados encontrados ficou evidente, que atualmente, período de vigência da pandemia da COVID-19, forçosamente os métodos educacionais estão passando por ressignificações, colocando desafios para a formação docente no âmbito tecnológico e na esfera da educação especial e inclusiva. Além disso, a partir do exame do material compilado foi constatado que podem ser criadas diversas alternativas didáticas na utilização das novas tecnologias no ensino remoto de geografia, contribuindo para dinamizar o ensino desse componente curricular.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.011 | 0.008 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
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".