Intervir para quê? Design Universal e Tecnologias Inclusivas para Autistas: uma Revisão com Inteligência Artificial SciSpace e Elicit de 2020 a 2024
Bibliographic record
Abstract
Resumo: O Desenho Universal para a Aprendizagem (DUA) e a utilização de Tecnologias da Informação e Comunicação (TICs) no contexto da educação inclusiva oportuniza ambientes de ensino acessíveis e personalizáveis a alunos com necessidades educacionais especiais, como Transtorno do Espectro Autista (TEA) e inclusive, alunos neuro típicos. O objetivo desse estudo é mapear a aplicação do Desenho Universal e de Tecnologias na produção de práticas inclusivas com ênfase em alunos com Transtorno do Espectro Autista (TEA) e com foco na utilização de ferramentas digitais e pedagógicas em bases de dados de Inteligência Artificial. A metodologia deste estudo baseia-se em uma revisão bibliográfica integrativa conduzido em bases de dados com engenharia de inteligência artificial de relevância nacional e internacional. A pesquisa abrangeu estudos publicados dos últimos 5 anos, entre os anos de 2020 a 2024. As bases de dados adotadas foram SciSpace e Elicit. Os resultados e discussão sobre o DUA aliados as TICs centram-se nos três princípios do DUA: I) múltiplas formas de representação (acesso ao conteúdo); II) múltiplas formas de ação e expressão (demonstração do aprendizado) e III) múltiplas formas de engajamento (motivação e participação). Para tanto, este estudo evidencia o uso de estratégias pedagógicas significativas e aponta desafios na implementação prática, como infraestrutura e capacitação docente. Palavras-chave: Inclusão Educacional, Personalização do ensino, Tecnologias da Informação e Comunicação (TICs).
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 | 0.012 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.003 | 0.010 |
| Scholarly communication | 0.012 | 0.012 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".