Políticas públicas de investimento em tecnologia na rede estadual do Rio Grande do Sul no contexto do Ensino Remoto Emergencial
Bibliographic record
Abstract
O presente trabalho versa sobre os desdobramentos das políticas públicas de investimento em Tecnologias Digitais da Informação e Comunicação junto a Secretaria de Educação do Estado do Rio Grande do Sul, durante a pandemia de COVID-19, considerando-se o momento de fragilidade do pacto federalista, os agentes envolvidos nas tomadas de decisões e a relação do governo federal com os demais poderes no referido período. A metodologia da pesquisa compõe-se da elaboração do estado da questão sobre os temas pesquisados, da análise dos contratos pactuados pelo governo do Estado, sendo sua disponibilidade pela Lei de Acesso à Informação, e também dos dados produzidos pela entrevista junto a uma gestora da SEDUC. O referencial teórico tem por base conceitos da análise cognitiva de políticas, especialmente junto aos autores Eve Fouilleux, Lotta e Pierre Muller e pressupostos teóricos sobre a organização do Estado, Neoliberalismo e Educação, associados aos autores Christian Laval e Pierre Bourdieu. É possível concluir que, a reação frente aos impactos sociais e de saúde pública decorrentes da pandemia, gerou uma necessidade de ações unificadas as quais o governo federal demonstrou incapacidade de articulação. No Estado do Rio Grande do Sul é registrado um esforço nas providências então coordenadas pela SEDUC, especialmente na aquisição de equipamentos para o desenvolvimento do Ensino Remoto Emergencial. No entanto, não houve envolvimento direto do setor pedagógico, constando no texto das peças licitatórias justificativa de contratação de plataforma on-line por substituição das bibliotecas físicas; exigência de entrega dos equipamentos, especialmente os chromebooks, sem constar o endereço e prazo de entrega de forma clara na peça licitatória. A pesquisa possibilita estudos comparativos desse período em relação às outras secretarias estaduais de educação.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".