Curadoria de Recursos Educacionais Digitais na Disciplina de Leitura e Produção de Textos da Universidade Virtual do Estado de São Paulo
Bibliographic record
Abstract
Este artigo investiga o processo de curadoria de recursos educacionais digitais na disciplina de Leitura e Produção de Textos (LET100) da Universidade Virtual do Estado de São Paulo (UNIVESP). A disciplina, parte fundamental do ciclo básico de todos os cursos de graduação, visa desenvolver habilidades de leitura e escrita em mais de 25 mil alunos ingressantes anualmente. A metodologia utilizada envolveu a análise documental dos materiais da disciplina e a observação não participante do Ambiente Virtual de Aprendizagem. A LET100 utiliza uma variedade de recursos educacionais digitais, como videoaulas, textos-base, quizzes e fóruns de discussão, para criar uma experiência de aprendizado dinâmica e interativa. A seleção e organização desses recursos refletem um compromisso com a aprendizagem significativa e autônoma, características essenciais para o sucesso na Educação a Distância (EaD). Os resultados preliminares apontam para a importância da curadoria digital na organização dos recursos e no suporte ao aprendizado dos alunos. O estudo analisa a estrutura da disciplina, os objetivos pedagógicos e a escolha dos recursos digitais, demonstrando como a curadoria digital contribui para a construção de um ambiente de aprendizagem engajador e eficaz. A pesquisa destaca a importância da LET100 no desenvolvimento de competências essenciais para o sucesso acadêmico e profissional dos estudantes da UNIVESP. Palavras-chave: Curadoria. Leitura e produção de textos. Univesp. EaD. Recursos educacionais digitais.
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 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.001 | 0.001 |
| 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".