Aprender a Aprender: Desafíos que enfrentan los ingresantes a la Universidad y estrategias para mejorar su experiencia educativa y favorecer su retención
Notice bibliographique
Résumé
La deserción en el primer año de las carreras de Ingeniería y Ciencias de la Computación es típicamente muy alta, aún en países con realidades socioeconómicas muy distintas, como por ejemplo Canadá y Argentina. Teniendo en cuenta esta realidad, y partiendo de la experiencia de la Universidad Simon Fraser (SFU) en Vancouver, Canadá, se organizó en la Facultad de Ingeniería de la Universidad de Palermo (UP) un seminario para docentes “Aprender a aprender: Cómo ayudar a nuestros estudiantes”. Dicho seminario se basó en la experiencia desarrollada en la SFU con el programa de apoyo a estudiantes denominado “Academic Enhancement Program” (AEP). Esta actividad incluyó la exposición de las ideas centrales del AEP así como discusión e interacción. Adicionalmente, como material a ser discutido en el seminario y directamente relevante para la realidad local, se realizó una encuesta previa entre estudiantes de la Universidad anfitriona y de la Universidad Tecnológica Nacional, incluyendo preguntas de reflexión acerca de estrategias de estudio. En particular, se buscó que los alumnos reflexionaran acerca de los desafíos académicos que ellos sienten que enfrentan. En este artículo describimos brevemente esta actividad, incluyendo resultados iniciales de la encuesta como aporte al análisis y discusión del tema en cuestión.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,007 |
| Communication savante | 0,014 | 0,006 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».