Tecendo teias de conhecimentos: experiência de inclusão de saberes indígenas nas escolas Guarani do Sul do Brasil
Bibliographic record
Abstract
As políticas de escolarização indígena no Brasil, após a Constituição de 1988, garantem o direito de utilização das suas línguas maternas e processos próprios de aprendizagem nas escolas das aldeias indígenas. Decorre disso, a criação de cursos de Licenciatura Intercultural Indígena em várias universidades do país e o desenvolvimento de uma política de formação continuada de professores indígenas, Ação Saberes Indígenas na Escola - ASIE. O artigo pretende refletir sobre estratégias e experiências locais de transmissão de conhecimentos indígenas na sua articulação com essas duas políticas públicas. A partir da tese de doutorado realizada sobre a experiência dos acadêmicos indígenas na Licenciatura Intercultural sediada na UFSC e do trabalho de quatro anos na Ação Saberes Indígenas na Escola (ASIE), pretende-se refletir sobre o desenvolvimento de metodologias participativas e de organização do conhecimento em “teias de saberes”, evidenciando que a inclusão de saberes indígenas inclui também processos e metodologias próprias de sua transmissão. Tendo como referências a análise de Ingold (2000) sobre habilitar o corpo para adquirir conhecimento (skillment) e Carneiro da Cunha (2012) sobre as disposições adequadas para adquirir certos conhecimentos, destacou-se a importância do preparo do corpo para a aprendizagem. Entendendo, a experiência corpórea, vivida-sentida, como aspecto fundamental nos processos de ensino-aprendizagem indígenas.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.022 | 0.020 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".