AS CONTRIBUIÇÕES DAS TECNOLOGIAS DIGITAIS DA INFORMAÇÃO E COMUNICAÇÃO (TDICs) PARA A PSICOPEDAGOGIA NO PROCESSO DE ENSINO-APRENDIZAGEM
Bibliographic record
Abstract
Este artigo tem como propósito explorar a utilização das Tecnologias Digitais de Informação e Comunicação (TDICs) no âmbito da aprendizagem, adotando uma perspectiva psicopedagógica. As TDICs englobam recursos tecnológicos, tais como computadores, smartphones e tablets, que desempenham um papel significativo na educação, aprimorando as estratégias de ensino e contribuindo para o desenvolvimento da infraestrutura educacional. Nesse contexto, é fundamental reconhecer a importância das TDICs no processo educacional, visto que elas têm o potencial de diversificar os tipos de conteúdo disponíveis e promover maior autonomia por parte dos alunos. Através de pesquisa qualitativa de natureza bibliográfica, o objetivo principal deste artigo é destacar a importância das TDICs no processo educacional, principalmente para a Psicopedagogia, reconhecendo seu potencial para promover autonomia do aluno. Já os objetivos específicos, perfazem sobre explicar as funções da TDICs em junção a Psicopedagogia; enfatizar a importância das TIDCs no processo de ensino-aprendizagem; demonstrar a necessidade de formar professores para atuarem eficazmente em ambientes informatizados. É importante ressaltar que o acesso as TDICs nem sempre é uniforme, o que requer uma abordagem inclusiva que não restrinja o uso das TDICs apenas aos dispositivos digitais. Além disso, é crucial compreender que as TDICs não devem ser encaradas como substitutas de professores, livros, mas sim, como uma valiosa fonte complementar de recursos educacionais. Assim, este artigo busca destacar o potencial das TDICs na educação, reconhecendo os benefícios que podem trazer para a aprendizagem, ao mesmo tempo em que enfatiza a importância de uma integração equitativa dessas tecnologias no contexto educacional.
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 | 0.015 | 0.044 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.011 | 0.014 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.022 | 0.016 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".