EDUCAÇÃO NO CAMPO E JUSTIÇA SOCIAL: PEDAGOGIAS CONTEXTUALIZADAS PARA COMUNIDADES RURAIS

Autores/as

  • Cristiane do Socorro Rebelo Pamplona UFPA
  • Ana Paula Viana Amurim UFMA
  • Lailton da Silva Freire UEMA
  • Filiphe Chagas de Lucas UENF
  • Júnior de Carvalho e Souza UFT
  • Marcio Harrison dos Santos Ferreira IFPI
  • Alexsandro da Silva Cavalcanti IFPE
  • Paulo Henrique Cabral Arantes PUC Minas
  • João Emílio Alves da Costa UFPA
  • Roberta Alves da Silva Ferreira UNIOESTE

DOI:

https://doi.org/10.66104/w3vnja02

Palabras clave:

educação no campo; justiça social; pedagogia contextualizada; comunidades rurais; inclusão

Resumen

A educação no campo, historicamente negligenciada por modelos urbanocêntricos, exige uma reconfiguração pautada na justiça social e na contextualização pedagógica. Este estudo, configurado como um ensaio teórico fundamentado em uma revisão integrativa da literatura, analisa como as pedagogias contextualizadas podem transformar a realidade das comunidades rurais. O objetivo central é investigar a eficácia da Engenharia de Decisão no desenho de soluções educativas que respeitem a identidade do campo enquanto otimizam o fluxo de aprendizagem. A metodologia seguiu o protocolo de seis etapas para revisões integrativas, com análise de evidências coletadas entre 2021 e 2026. Os resultados demonstram que a integração de inteligência de dados e arquiteturas de governança descentralizada permite mitigar a evasão e promover uma inclusão radical. Conclui-se que a vantagem competitiva das escolas do campo reside na capacidade de transformar saberes tradicionais em ativos de conhecimento sustentados por uma infraestrutura ética e tecnologicamente robusta.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

BARDIN, L. Análise de Conteúdo. São Paulo: Edições 70, 2016.

CAGAN, M. INSPIRED: How to Create Tech Products Customers Love. 2. ed. New Jersey: Wiley, 2018.

DAMA International. DAMA-DMBOK2: Data Management Body of Knowledge. 2. ed. New Jersey: Technics Publications, 2017.

DAVENPORT, T. H.; HARRIS, J. G. Competing on Analytics: The New Science of Winning. Boston: Harvard Business Review Press, 2007.

DEHGHANI, Z. Data Mesh: Delivering Data-Driven Value at Scale. Sebastopol: O’Reilly, 2022.

FRANÇA, J. L. Manual para normalização de publicações técnico-científicas. 8. ed. Belo Horizonte: Ed. UFMG, 2008.

GANDOMI, A.; HAIDER, M. Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, v. 35, n. 2, p. 137-144, 2015. DOI: https://doi.org/10.1016/j.ijinfomgt.2014.10.007

KREUZBERGER, R.; KÜHL, D.; POLZE, J. MLOps: a survey of techniques for operationalizing machine learning. ACM Computing Surveys, 2023.

LEWIS, P. et al. Retrieval-augmented generation for knowledge-intensive NLP. NeurIPS, 2020.

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). AI Risk Management Framework 1.0. Gaithersburg: NIST, 2023.

PROVOST, F.; FAWCETT, T. Data Science for Business. Sebastopol: O’Reilly, 2013.

SCULLEY, D. et al. Hidden technical debt in machine learning systems. NIPS, p. 2503-2511, 2015.

SOUZA, M. T.; SILVA, M. D.; CARVALHO, R. Revisão integrativa: o que é e como fazer. Einstein, v. 8, n. 1, p. 102-106, 2010. DOI: https://doi.org/10.1590/s1679-45082010rw1134

WESTERMAN, G.; BONNET, D.; MCAFEE, A. Leading Digital: Turning Technology into Business Transformation. Boston: Harvard Business Review Press, 2014.

Publicado

2026-03-07

Cómo citar

EDUCAÇÃO NO CAMPO E JUSTIÇA SOCIAL: PEDAGOGIAS CONTEXTUALIZADAS PARA COMUNIDADES RURAIS. (2026). REMUNOM, 13(02), 1-19. https://doi.org/10.66104/w3vnja02