Português
Interpretação de TextosIF Sul - MG · 2018MédioEntre para guardar nos favoritosNo conto de Clarice Lispector, o aspecto exótico, demarcado pela “raridade” da descoberta da “menor
mulher do mundo”, é relativizado, principalmente, porque:
Questões do ENEM: Linguagens e Instituto Federal de Educação, Ciência e Tecnologia do Sul de Minas Gerais (IF Sul - MG)
Use os filtros para chegar às questões que interessam. Cada resultado abre em uma página própria com enunciado, alternativas e gabarito.
- Filtrando por
- LinguagensRemover este filtro
- Instituto Federal de Educação, Ciência e Tecnologia do Sul de Minas Gerais (IF Sul - MG)Remover este filtro
- Limpar tudo
Resultados
65 questões encontradas. Mostrando a página 2 de 4.
B126655C-CE B122D610-CE Português
Interpretação de TextosIF Sul - MG · 2018MédioEntre para guardar nos favoritosO conto “A menor mulher do mundo”, de Clarice Lispector, tem como tema a alteridade, ou seja, a relação Eu/Outro, marcada pelo tratamento da personagem feminina, Pequena Flor, como um objeto de curiosidade. Essa coisificação NÃO se concretiza na:B11F921A-CE Português
Interpretação de TextosIF Sul - MG · 2018MédioEntre para guardar nos favoritosApós a sua leitura da obra de Mário de Andrade, “Amar, verbo intransitivo”, assinale a alternativa que está de acordo com o seu enredo:B11B892A-CE Português
Interpretação de TextosIF Sul - MG · 2018MédioEntre para guardar nos favoritosTexto II
Estrelas além do tempo
Alex Gonçalves
Após todas as discussões sobre representatividade que permearam o último ano hollywoodiano, “Estrelas Além do Tempo” [2016] se apresenta para o público com um timing perfeito. Há tempos não nos víamos inseridos em um cenário no qual as ideologias reacionárias estão tão evidentes, assim como os protestos em busca pela igualdade. Portanto, nada melhor do que a ficção para nos relembrar de outros períodos também nefastos que não calaram a atuação de heróis anônimos.
No caso de “Estrelas Além do Tempo”, temos uma história que enaltece três figuras reais da NASA até então mantidas anônimas. Tratam-se de Katherine G. Johnson (Taraji P. Henson), Dorothy Vaughan (Octavia Spencer) e Mary Jackson (Janelle Monáe), três mulheres negras essenciais para o sucesso da missão do astronauta John Glenn (Glen Powell) em alcançar a lua.
Entretanto, estamos aqui nos não tão distantes anos 1960, em uma Virgínia segregada e com poucos afroamericanos exercendo profissões que exigem um perfil lógico. Por isso mesmo, as vidas de Katherine, Dorothy e Mary foram triplamente difíceis justamente pela raça e gênero a que pertencem.
Sempre unidas antes e após o expediente de trabalho, essas mulheres enfrentam sozinhas em suas competências os preconceitos que impedem as suas evoluções. Solicitada pelo departamento comandado por Al Harrison (Kevin Costner) para fazer os cálculos que devem assegurar o sucesso da decolagem do foguete que lançará John Glenn às alturas, Katherine é diariamente hostilizada pelos colegas, todos homens e brancos. Já em seu setor, Dorothy tem todos os seus pedidos de promoção sabotados pelo intermédio de Vivian (Kirsten Dunst), enquanto Mary não consegue desempenhar a função de engenheira por ser impedida de ingressar em uma universidade.
Mesmo com todas essas circunstâncias, elas não desistirão de provar as singularidades que possuem, visualizando os obstáculos não como limites, mas como incentivos para continuarem perseverando. Temos com isso aquele modelo de narrativa cinematográfica que encanta desde os tempos do tramp de Charlie Chaplin, no qual a vontade para ganhar um lugar ao sol é maior do que as adversidades.
Diretor de “Um Santo Vizinho”, Theodore Melfi se apropria do texto de Allison Schroeder compreendendo muito bem as características desse cinema inspirado e inspirador, contornando com traços ficcionais uma história real para ser efetivo principalmente em seus gritos de protesto. É especialmente arrebatadora a explosão de Katherine ao finalmente externar a sua humilhação ao precisar se prestar a um trajeto de mais de um quilômetro para ir ao banheiro exclusivo para negros. Não ficam muito atrás o fervor de Dorothy e Mary em se provarem extremamente capazes de enfrentar novos desafios.
Além do mais, Melfi conduz com uma fluidez invejável algo que, em teoria, não tem qualquer encanto. Mesmo o mais avesso aos raciocínios de exatas se verão imediatamente hipnotizados com números e fórmulas que se revelam não somente como uma ciência complexa, como também como instrumentos sociais que só engrenam quando os seus operadores se reconhecem como semelhantes.
Publicado em 09/02/2017.
Disponível em:<http://cineresenhas.com.br/2017/02/09/resenha-critica-estrelas-alem-do-tempo-2016/>. Acesso em: 30/03/2018.
“Entretanto, estamos aqui nos não tão distantes anos 1960, em uma Virgínia segregada e com poucos afro-americanos exercendo profissões que exigem um perfil lógico. Por isso mesmo, as vidas de Katherine, Dorothy e Mary foram triplamente difíceis justamente pela raça e gênero a que pertencem.”
No trecho acima, os termos grifados indicam relações semânticas de:
B1180B4C-CE Português
Interpretação de TextosIF Sul - MG · 2018DifícilEntre para guardar nos favoritosTexto II
Estrelas além do tempo
Alex Gonçalves
Após todas as discussões sobre representatividade que permearam o último ano hollywoodiano, “Estrelas Além do Tempo” [2016] se apresenta para o público com um timing perfeito. Há tempos não nos víamos inseridos em um cenário no qual as ideologias reacionárias estão tão evidentes, assim como os protestos em busca pela igualdade. Portanto, nada melhor do que a ficção para nos relembrar de outros períodos também nefastos que não calaram a atuação de heróis anônimos.
No caso de “Estrelas Além do Tempo”, temos uma história que enaltece três figuras reais da NASA até então mantidas anônimas. Tratam-se de Katherine G. Johnson (Taraji P. Henson), Dorothy Vaughan (Octavia Spencer) e Mary Jackson (Janelle Monáe), três mulheres negras essenciais para o sucesso da missão do astronauta John Glenn (Glen Powell) em alcançar a lua.
Entretanto, estamos aqui nos não tão distantes anos 1960, em uma Virgínia segregada e com poucos afroamericanos exercendo profissões que exigem um perfil lógico. Por isso mesmo, as vidas de Katherine, Dorothy e Mary foram triplamente difíceis justamente pela raça e gênero a que pertencem.
Sempre unidas antes e após o expediente de trabalho, essas mulheres enfrentam sozinhas em suas competências os preconceitos que impedem as suas evoluções. Solicitada pelo departamento comandado por Al Harrison (Kevin Costner) para fazer os cálculos que devem assegurar o sucesso da decolagem do foguete que lançará John Glenn às alturas, Katherine é diariamente hostilizada pelos colegas, todos homens e brancos. Já em seu setor, Dorothy tem todos os seus pedidos de promoção sabotados pelo intermédio de Vivian (Kirsten Dunst), enquanto Mary não consegue desempenhar a função de engenheira por ser impedida de ingressar em uma universidade.
Mesmo com todas essas circunstâncias, elas não desistirão de provar as singularidades que possuem, visualizando os obstáculos não como limites, mas como incentivos para continuarem perseverando. Temos com isso aquele modelo de narrativa cinematográfica que encanta desde os tempos do tramp de Charlie Chaplin, no qual a vontade para ganhar um lugar ao sol é maior do que as adversidades.
Diretor de “Um Santo Vizinho”, Theodore Melfi se apropria do texto de Allison Schroeder compreendendo muito bem as características desse cinema inspirado e inspirador, contornando com traços ficcionais uma história real para ser efetivo principalmente em seus gritos de protesto. É especialmente arrebatadora a explosão de Katherine ao finalmente externar a sua humilhação ao precisar se prestar a um trajeto de mais de um quilômetro para ir ao banheiro exclusivo para negros. Não ficam muito atrás o fervor de Dorothy e Mary em se provarem extremamente capazes de enfrentar novos desafios.
Além do mais, Melfi conduz com uma fluidez invejável algo que, em teoria, não tem qualquer encanto. Mesmo o mais avesso aos raciocínios de exatas se verão imediatamente hipnotizados com números e fórmulas que se revelam não somente como uma ciência complexa, como também como instrumentos sociais que só engrenam quando os seus operadores se reconhecem como semelhantes.
Publicado em 09/02/2017.
Disponível em:<http://cineresenhas.com.br/2017/02/09/resenha-critica-estrelas-alem-do-tempo-2016/>. Acesso em: 30/03/2018.
De acordo com o autor, “Estrelas além do tempo” apresenta um “timing perfeito” porque:B1140A50-CE Português
Interpretação de TextosIF Sul - MG · 2018DifícilEntre para guardar nos favoritos
Em relação à tirinha acima, NÃO está correto o que se afirma em:
B11016D3-CE Português
Interpretação de TextosIF Sul - MG · 2018MédioEntre para guardar nos favoritosA ilustração abaixo faz parte do projeto “Coisa de Mulher”. Segundo Raquel Vitorelo, artista que criou o projeto em 2015, a proposta “consiste na criação de ilustrações que buscam resgatar e homenagear mulheres históricas, mostrando que ‘coisa de mulher’ é muito mais do que somos levados a acreditar, trazendo assim evidência de que a história é construída por mulheres de todos os tipos, em todas as áreas do conhecimento, do esporte e das artes”.
Considerando as possíveis relações entre a campanha “Coisa de Mulher” e o texto I, avalie as afirmações abaixo.
I- A ilustração, ao utilizar como slogan a expressão “coisa de mulher”, opõe-se à noção de gênero apresentada no texto I, pois reafirma que existem papéis exclusivamente femininos.
II- Assim como no texto I, a referência a Simone de Beauvoir na ilustração problematiza a noção naturalizada acerca do que é ser mulher, mostrando que essa é uma construção histórica e social.
III- A campanha “Coisa de mulher” estabelece uma relação de confronto com o mito da Mulher, trazendo, por meio de suas ilustrações, a “existência múltipla das mulheres” em oposição ao “Eterno Feminino único e cristalizado”.
Julga-se como correto o que se apresenta em:
B10C07F5-CE Português
AdvérbiosIF Sul - MG · 2018FácilEntre para guardar nos favoritos
Considerando a leitura integral do texto I, assinale a alternativa correta:B1084DF9-CE Português
Interpretação de TextosIF Sul - MG · 2018MédioEntre para guardar nos favoritosAssinale o trecho retirado do texto I que melhor justifica o título “O gênero da ciência ou sobre silêncios e temores em torno de uma epistemologia feminista”:B1043A6E-CE Português
Interpretação de TextosIF Sul - MG · 2018MédioEntre para guardar nos favoritosA partir da leitura do texto I, conclui-se que:3C754622-B5 Inglês
Interpretação de texto | Reading comprehensionIF Sul - MG · 2017Muito difícilEntre para guardar nos favoritosAI Picks Up Racial and Gender Biases When Learning from What Humans WriteAI1 picks up racial and gender biases2 when learning language from text, researchers say. Without any supervision, a machine learning algorithm learns to associate female names more with family words than career words, and black names as being more unpleasant than white names.For a study published today in Science, researchers tested the bias of a common AI model, and then matched the results against a well-known psychological test that measures bias in humans. The team replicated in the algorithm all the psychological biases they tested, according to a study from co-author Aylin Caliskan, a post-doc at Princeton University. Because machine learning algorithms are so common, influencing everything from translation to scanning names on resumes, this research shows that the biases are pervasive, too.An algorithm is a set of instructions that humans write to help computers learn. Think of it like a recipe, says Zachary Lipton, an AI researcher at UC San Diego who was not involved in the study. Because algorithms use existing materials — like books or text on the internet — it’s obvious that AI can pick up biases if the materials themselves are biased. (For example, Google Photos tagged black users as gorillas.) We’ve known for a while, for instance, that language algorithms learn to associate the word “man” with “professor” and the word “woman” with “assistant professor.” But this paper is interesting because it incorporates previous work done in psychology on human biases, Lipton says.For today’s study, Caliskan’s team created a test that resembles the Implicit Association Test (IAT), which is commonly used in psychology to measure how biased people are (though there has been some controversy over its accuracy). In the IAT, subjects are presented with two images — say, a white man and a black man — and words like “pleasant” or “unpleasant.” The IAT calculates how quickly you match up “white man” and “pleasant” versus “black man” and “pleasant,” and vice versa. The idea is that the longer it takes you to match up two concepts, the more trouble you have associating them.The test developed by the researchers also calculates bias, but instead of measuring “response time”, it measures the mathematical distance between two words. In other words, if there’s a bigger numerical distance between a black name and the concept of “pleasant” than a white name and “pleasant”, the model’s association between the two isn’t as strong. The further apart the words are, the less the algorithm associates them together.Caliskan’s team then tested their method on one particular algorithm: Global Vectors for Word Representation (GLoVe) from Stanford University. GLoVe basically crawls the web to find data and learns associations between billions of words. The researchers found that, in GLoVe, female words are more associated with arts than with math or science, and black names are seen as more unpleasant than white names. That doesn’t mean there’s anything wrong with the AI system, per se, or how the AI is learning — there’s something wrong with the material.1AI: Artificial Intelligence2bias: prejudice; preconceptionDisponível em <http://www.theverge.com/>. Acesso em: 18/04/2017.
Why does Artificial Intelligence (AI) pick up biases?3C728872-B5 Inglês
Interpretação de texto | Reading comprehensionIF Sul - MG · 2017DifícilEntre para guardar nos favoritosAI Picks Up Racial and Gender Biases When Learning from What Humans WriteAI1 picks up racial and gender biases2 when learning language from text, researchers say. Without any supervision, a machine learning algorithm learns to associate female names more with family words than career words, and black names as being more unpleasant than white names.For a study published today in Science, researchers tested the bias of a common AI model, and then matched the results against a well-known psychological test that measures bias in humans. The team replicated in the algorithm all the psychological biases they tested, according to a study from co-author Aylin Caliskan, a post-doc at Princeton University. Because machine learning algorithms are so common, influencing everything from translation to scanning names on resumes, this research shows that the biases are pervasive, too.An algorithm is a set of instructions that humans write to help computers learn. Think of it like a recipe, says Zachary Lipton, an AI researcher at UC San Diego who was not involved in the study. Because algorithms use existing materials — like books or text on the internet — it’s obvious that AI can pick up biases if the materials themselves are biased. (For example, Google Photos tagged black users as gorillas.) We’ve known for a while, for instance, that language algorithms learn to associate the word “man” with “professor” and the word “woman” with “assistant professor.” But this paper is interesting because it incorporates previous work done in psychology on human biases, Lipton says.For today’s study, Caliskan’s team created a test that resembles the Implicit Association Test (IAT), which is commonly used in psychology to measure how biased people are (though there has been some controversy over its accuracy). In the IAT, subjects are presented with two images — say, a white man and a black man — and words like “pleasant” or “unpleasant.” The IAT calculates how quickly you match up “white man” and “pleasant” versus “black man” and “pleasant,” and vice versa. The idea is that the longer it takes you to match up two concepts, the more trouble you have associating them.The test developed by the researchers also calculates bias, but instead of measuring “response time”, it measures the mathematical distance between two words. In other words, if there’s a bigger numerical distance between a black name and the concept of “pleasant” than a white name and “pleasant”, the model’s association between the two isn’t as strong. The further apart the words are, the less the algorithm associates them together.Caliskan’s team then tested their method on one particular algorithm: Global Vectors for Word Representation (GLoVe) from Stanford University. GLoVe basically crawls the web to find data and learns associations between billions of words. The researchers found that, in GLoVe, female words are more associated with arts than with math or science, and black names are seen as more unpleasant than white names. That doesn’t mean there’s anything wrong with the AI system, per se, or how the AI is learning — there’s something wrong with the material.1AI: Artificial Intelligence2bias: prejudice; preconceptionDisponível em <http://www.theverge.com/>. Acesso em: 18/04/2017.
Com relação ao teste desenvolvido pelos pesquisadores para calcular o preconceito, assinale a alternativa correta.3C6DFA34-B5 Inglês
Interpretação de texto | Reading comprehensionIF Sul - MG · 2017MédioEntre para guardar nos favoritosAI Picks Up Racial and Gender Biases When Learning from What Humans WriteAI1 picks up racial and gender biases2 when learning language from text, researchers say. Without any supervision, a machine learning algorithm learns to associate female names more with family words than career words, and black names as being more unpleasant than white names.For a study published today in Science, researchers tested the bias of a common AI model, and then matched the results against a well-known psychological test that measures bias in humans. The team replicated in the algorithm all the psychological biases they tested, according to a study from co-author Aylin Caliskan, a post-doc at Princeton University. Because machine learning algorithms are so common, influencing everything from translation to scanning names on resumes, this research shows that the biases are pervasive, too.An algorithm is a set of instructions that humans write to help computers learn. Think of it like a recipe, says Zachary Lipton, an AI researcher at UC San Diego who was not involved in the study. Because algorithms use existing materials — like books or text on the internet — it’s obvious that AI can pick up biases if the materials themselves are biased. (For example, Google Photos tagged black users as gorillas.) We’ve known for a while, for instance, that language algorithms learn to associate the word “man” with “professor” and the word “woman” with “assistant professor.” But this paper is interesting because it incorporates previous work done in psychology on human biases, Lipton says.For today’s study, Caliskan’s team created a test that resembles the Implicit Association Test (IAT), which is commonly used in psychology to measure how biased people are (though there has been some controversy over its accuracy). In the IAT, subjects are presented with two images — say, a white man and a black man — and words like “pleasant” or “unpleasant.” The IAT calculates how quickly you match up “white man” and “pleasant” versus “black man” and “pleasant,” and vice versa. The idea is that the longer it takes you to match up two concepts, the more trouble you have associating them.The test developed by the researchers also calculates bias, but instead of measuring “response time”, it measures the mathematical distance between two words. In other words, if there’s a bigger numerical distance between a black name and the concept of “pleasant” than a white name and “pleasant”, the model’s association between the two isn’t as strong. The further apart the words are, the less the algorithm associates them together.Caliskan’s team then tested their method on one particular algorithm: Global Vectors for Word Representation (GLoVe) from Stanford University. GLoVe basically crawls the web to find data and learns associations between billions of words. The researchers found that, in GLoVe, female words are more associated with arts than with math or science, and black names are seen as more unpleasant than white names. That doesn’t mean there’s anything wrong with the AI system, per se, or how the AI is learning — there’s something wrong with the material.1AI: Artificial Intelligence2bias: prejudice; preconceptionDisponível em <http://www.theverge.com/>. Acesso em: 18/04/2017.
Assinale a alternativa que está de acordo com o texto.3C6AF2C3-B5 Inglês
Aspectos linguísticos | Linguistic aspectsIF Sul - MG · 2017Muito difícilEntre para guardar nos favoritos
Com relação às expressões abaixo, assinale a alternativa correta.written word, movable type, mass publication3C6803DC-B5 Inglês
Interpretação de texto | Reading comprehensionIF Sul - MG · 2017DifícilEntre para guardar nos favoritosA evolução da comunicação é retratada com ironia no cartum. Com relação à figura e ao texto, é INCORRETO afirmar que:3C646179-B5 Português
Interpretação de TextosIF Sul - MG · 2017MédioEntre para guardar nos favoritosSobre o romance “Capitães da Areia”, de Jorge Amado, é INCORRETO afirmar que:3C61085C-B5 Português
Interpretação de TextosIF Sul - MG · 2017MédioEntre para guardar nos favoritosAssinale a alternativa INCORRETA sobre a obra “Dois Irmãos” de Miltom Hatoum.3C5DECB3-B5 Português
Interpretação de TextosIF Sul - MG · 2017FácilEntre para guardar nos favoritosSobre a obra “Dois Irmãos” de Milton Hatoum, considere as seguintes afirmativas:I – O título faz referência a dois irmãos que, supostamente, têm pais diferentes, nascendo daí uma rivalidade que destrói vidas e famílias.II – O cenário principal da obra é a cidade de Manaus, valorizando o porto, as ruas do centro, as praças e os bairros mais antigos.III – Rânia casou-se com o primeiro pretendente que apareceu para tentar esquecer o amor que sentia por Omar.IV – Omar envolveu-se seriamente com duas mulheres: Dália e Pau-Mulato; porém nos dois casos a mãe dele interveio, provocando a separação.V – Antes de morrer, Yaqub confessou que era o pai de Nael.Assinale a alternativa que contém as afirmativas CORRETAS:
3C5AEDBF-B5 Português
Denotação e ConotaçãoIF Sul - MG · 2017MédioEntre para guardar nos favoritosO texto abaixo é poético. Leia-o com atenção e resolva as questões.“A lua,tal qual a dona de um bordel,pedia a cada estrela friaum brilho de aluguel.E nuvens,lá no mata-borrão do céuchupavam manchas torturadas– que sufoco!”(João Bosco e Aldir Blanc, “O bêbado e a equilibrista”)I – No fragmento há predomínio da linguagem denotativa, característica máxima do texto literário.II – A função referencial, presente no texto, transmite dados da realidade de forma subjetiva.III – Nos textos literários, o autor explora determinadas construções com a intenção deliberada de reforçar a mensagem.IV – No fragmento a figura de linguagem evidente é a prosopopeia.Assinale a alternativa correta após análise completa.
3C57A1B0-B5 Literatura
ArcadismoIF Sul - MG · 2017MédioEntre para guardar nos favoritosAssinale a alternativa INCORRETA a respeito dos movimentos literários brasileiros abaixo.