La robotique comme stratégie d’enseignement des matières de l’enseignement professionnel et technologique au Brésil entre 2017 et 2022 : une revue intégrative
Bibliographic record
Abstract
Il existe plusieurs façons d’enseigner différents contenus à n’importe quel niveau éducatif. Grâce à la robotique, différents composants formels peuvent être compris. Les domaines dans lesquels la robotique est le plus utilisée sont généralement les mathématiques, la physique et la programmation. Cela n’empêche pas des matières comme la géographie, les arts, la langue portugaise et la biologie, entre autres, d’utiliser cet outil. L’objectif de cet article est d’identifier comment la robotique éducative est utilisée comme un outil d’enseignement dans les matières du tronc commun, en mettant l’accent sur l’Éducation Professionnelle et Technologique (EPT) au Brésil, entre 2017 et 2022. À cette fin, une revue intégrative de l’influence de la robotique en tant que complément de la méthodologie d’enseignement des matières de l’enseignement professionnel au Brésil a été réalisée, avec un accent particulier sur l’Amapá, dans la base de données de Google Scholar, sur la période indiquée. On peut en conclure que la robotique, lorsqu’elle est utilisée correctement dans l’enseignement, est un outil technologique qui permet aux élèves d’acquérir un apprentissage significatif, les rendant acteurs de leur propre apprentissage. L’alignement entre la théorie et la pratique dans des cours contextualisés offre aux étudiants des expériences stimulantes qui enrichissent leurs connaissances et leur formation intégrale.
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 | 0.009 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.009 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.016 | 0.012 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.028 | 0.009 |
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".