Vetores de difusão do PLH: o espaço pedagógico e os FH
Bibliographic record
Abstract
Resumo: Muitos são os vetores de difusão do Português brasileiro no mundo.Suas ações voltam-se para comportamentos e costumes cotidianamente nutridos pelas culturas brasileiras, dentre eles, o mais significativo é a língua, já que congrega em si não só um conjunto de signos linguísticos, mas também práticas socioculturais e a cognição social (Barsalou 1987), de modo indissociável (Saliés et al. 2022).Neste artigo, voltamo-nos, especialmente, para dois vetores associados ao Português como Língua de Herança (PLH), em sua vertente brasileira: a prática pedagógica de ensino-aprendizagem de PLH e os Falantes de Herança (FH).Com esse propósito, recrutamos a literatura em desenvolvimento linguístico e manutenção de línguas minoritárias à luz da socialização da linguagem (Duff 2017; He 2017) e da abordagem sociocognitiva (Wittgenstein 2009(Wittgenstein [1953]]; Lakoff 1987).Segundo ela, a manutenção da língua vincula-se ao letramento e à institucionalização de seu ensino em espaços de socialização e atravessamento (Spitz et al. 2021) que permitam aos FH significar essa "herança" por e no uso da língua na construção e transformação de conhecimento.Embora o conhecimento leigo considere o processo de fácil equação, a teoria nos mostra ser ele multifacetado e complexo.Dentre as questões que abordamos encontram-se "Por que não basta assistir filmes ou ouvir música para alavancar o desenvolvimento linguístico?"e "Como agir no espaço pedagógico em prol do desenvolvimento, manutenção e difusão do PLH?Ao abordá-las, delineamos um rol de ações na forma de uma unidade pedagógica, passível de inspirar professores na área de PLH e alavancar o desenvolvimento linguístico, a manutenção da língua e a participação dos FH na difusão do português brasileiro.
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 | 0.019 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.012 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".