FATORES DE INTEGRAÇÃO DE REFUGIADOS E IMIGRANTES INVOLUNTÁRIOS NA EDUCAÇÃO SUPERIOR
Bibliographic record
Abstract
Resumo O acesso ao ensino superior vem se tornando um relevante meio de reparação humanitária e integração local para pessoas em condição de refúgio. Todavia, com a mudança de cultura, estas se deparam com novos sistemas de ensino, uma nova língua de aprendizagem que se mesclam ao luto das rupturas forçadas pela imigração involuntária e ao contexto educacional nem sempre preparado para o desenvolvimento de uma educação intercultural. Nesse sentido, o presente estudo teve como objetivo investigar os fatores de integração educacional envolvendo estudantes universitários em condição de refúgio. Para tal, foi realizada revisão integrativa de literatura com estudos nacionais e internacionais em 16 países dos 5 continentes. Os resultados apontaram uma diversidade de fatores individuais, sociais, institucionais, culturais e políticos que impactam negativamente na integração educacional. Porém, também identificou-se um conjunto de fatores potencializadores da integração em conjunto com boas práticas que possibilitam mitigar os fatores limitantes. Por fim, a pesquisa aponta a necessidade imperiosa do desenvolvimento das ações e programas de acompanhamento institucional após o ingresso, assim como lacunas de estudos específicos sobre evasão e formação envolvendo áreas do conhecimento e cursos.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".