Educação linguística em contexto pandêmico: gêneros textuais multiletrados ressignificando as práticas pedagógicas em classe de alfabetização
Bibliographic record
Abstract
Este artigo tem como objetivo analisar as contribuições da organização do trabalho pedagógico a partir de uma Sequência Didática (SD) para o ensino de Língua Portuguesa, realizado de forma síncrona via plataforma Google Meet durante a pandemia de Covid-19. Apresenta-se uma abordagem teórico-metodológica decolonial com base em uma SD para o ensino de Língua Portuguesa de uma turma de 1º ano do Ensino Fundamental – escola pública no Distrito Federal –, fundamentada na metodologia de pesquisa participante (GIL, 2017; MARCONI; LAKATOS, 2017) no período pandêmico, nas aulas síncronas realizadas via plataforma Google Meet, com recorte temporal do ano de 2021. O trabalho teve como referência o modelo didático de SD (DOLZ; NOVERRAZ; SCHNEULLY, 2004) e o destaque à forma de atuação da professora-alfabetizadora durante a condução das aulas, mais especificamente em relação à sua mediação pedagógica (BORTONI-RICARDO et.al., 2012) em eventos de ensino da leitura e da escrita. A proposta da SD surgiu das necessidades reais dos alunos frente às peculiaridades do ensino remoto (FREIRE, 2005), considerando os gêneros regras de convivência, cartaz e podcast; e pautou-se também na teoria dos multiletramentos (ROJO; MOURA, 2012; KALANTZIS; COPE; PINHEIRO, 2020; RIBEIRO, 2021). Os resultados da pesquisa indicam que a organização do trabalho pedagógico de uma SD para o ensino de Língua Portuguesa, por meio de gêneros textuais elaborados a partir de temas ou situações reais de produção e necessidades autênticas de produção textual, com receptores/interlocutores/interlocutores verdadeiramente interessados naquele texto, com propósitos legítimos, pode impactar positivamente o processo de ensino-aprendizagem dos educandos.
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 | 0.005 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.008 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".