<b>Fotografia nos Livros Didático do PNLD 2021: Uma Análise descritiva da Coleção Matéria, Energia e Vida</b>
Bibliographic record
Abstract
A fotografia científica é importante na documentação e comunicação de dados e fenômenos estudados, por facilitar a observação e a análise de informações as vezes, apresentadas apenas com texto. Esta pesquisa investiga a influência das fotografias no ensino da química em livros didáticos do ensino médio aprovados no PNLD 2021-2024. O estudo busca responder como as fotografias contribuem para a compreensão dos conceitos químicos, influenciando no interesse e na motivação dos estudantes e impactando a qualidade do ensino-aprendizagem. A abordagem metodológica é qualitativa do tipo análise bibliográfica. Foi analisada uma coleção de livros didáticos, focando na utilização das fotografias para ilustrar conceitos químicos, demonstrações e aplicações práticas. Os principais resultados indicam que as fotografias nos livros didáticos de química desempenham funções importantes, promovendo uma representação visual complementar ao texto e exemplificando fenômenos químicos. A análise de 779 imagens fotográficas da coleção "Matéria, Energia e Vida: Uma Abordagem Interdisciplinar" destaca que as fotos são essenciais para aproximar os alunos dos conteúdos. Infere-se que o uso de fotografias no ensino de Química configura-se como uma estratégia pedagógica eficaz, ao favorecer a compreensão de conceitos abstratos por meio de representações visuais. Tal abordagem contribui para tornar os conteúdos mais acessíveis e atrativos, promovendo um processo de ensino aprendizagem dinâmico, significativo e intelectualmente estimulante.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.008 | 0.012 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".