Aplicação e Contributos no Ensino da Formação Musica
Bibliographic record
Abstract
A presente investigação incide sobre a utilização das canções tradicionais da Beira Baixa na disciplina de Formação Musical, no Ensino Especializado da Música. O problema que se pretendeu investigar está relacionado com a confirmação de que, muitas vezes, os jovens desconhecem o seu próprio património musical. Assim, questionou-se se as canções tradicionais contribuiriam para desenvolver o interesse e a motivação para a aprendizagem da Formação Musical e se poderiam ser um recurso para implementar estratégias. Utilizaram-se como instrumentos de investigação as grelhas de observação, os resumos reflexivos, os inquéritos por questionário e as referências bibliográficas. As evidências aqui apresentadas, recolhidas através dos inquéritos por questionário, dizem respeito a resultados parciais do estudo desenvolvido. As estratégias adotadas, tendo como recurso as canções tradicionais da Beira Baixa, conduziram a uma melhoria significativa das competências e do interesse e motivação dos alunos de Formação Musical. Os resultados obtidos ao longo do estudo, com as canções tradicionais da Beira Baixa, indicaram que a sua implementação, nas aulas de Formação Musical, pode trazer benefícios ou efeitos positivos, melhorando o aproveitamento escolar, a autoestima, a participação e os hábitos de estudo.
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 | 0.010 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.004 | 0.009 |
| Scholarly communication | 0.018 | 0.009 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".